Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "empirical mode decomposition" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Fast bearing fault diagnosis of rolling element using Lévy Moth-Flame optimization algorithm and Naive Bayes
    Autorzy:
    Sun, Shuang
    Przystupa, Krzysztof
    Wei, Ming
    Yu, Han
    Ye, Zhiwei
    Kochan, Orest
    Powiązania:
    https://bibliotekanauki.pl/articles/1841936.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    malfunction diagnostics
    naive Bayes
    moth-flame optimization algorithm
    ensemble empirical mode decomposition
    Opis:
    Fault diagnosis is part of the maintenance system, which can reduce maintenance costs, increase productivity, and ensure the reliability of the machine system. In the fault diagnosis system, the analysis and extraction of fault signal characteristics are very important, which directly affects the accuracy of fault diagnosis. In the paper, a fast bearing fault diagnosis method based on the ensemble empirical mode decomposition (EEMD), the moth-flame optimization algorithm based on Lévy flight (LMFO) and the naive Bayes (NB) is proposed, which combines traditional pattern recognition methods meta-heuristic search can overcome the difficulty of selecting classifier parameters while solving small sample classification under reasonable time cost. The article uses a typical rolling bearing system to test the actual performance of the method. Meanwhile, in comparison with the known algorithms and methods was also displayed in detail. The results manifest the efficiency and accuracy of signal sparse representation and fault type classification has been enhanced.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 4; 730-740
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Tool wear condition monitoring in milling process based on data fusion enhanced long short-term memory network under different cutting conditions
    Autorzy:
    Zheng, Guoxiao
    Sun, Weifang
    Zhang, Hao
    Zhou, Yuqing
    Gao, Chen
    Powiązania:
    https://bibliotekanauki.pl/articles/2038054.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    tool wear condition monitoring
    empirical mode decomposition
    variational mode decomposition
    fourier synchro squeezed transform
    neighborhood component analysis
    long short-term memory network
    Opis:
    Tool wear condition monitoring (TCM) is essential for milling process to ensure the machining quality, and the long short-term memory network (LSTM) is a good choice for predicting tool wear value. However, the robustness of LSTM- based method is poor when cutting condition changes. A novel method based on data fusion enhanced LSTM is proposed to estimate tool wear value under different cutting conditions. Firstly, vibration time series signal collected from milling process are transformed to feature space through empirical mode decomposition, variational mode decomposition and fourier synchro squeezed transform. And then few feature series are selected by neighborhood component analysis to reduce dimension of the signal features. Finally, these selected feature series are input to train the bidirectional LSTM network and estimate tool wear value. Applications of the proposed method to milling TCM experiments demonstrate it outperforms significantly SVR- based and RNN- based methods under different cutting conditions.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 4; 612-618
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Poprawa aproksymacji lokalnej średniej w rozkładzie na mody empiryczne dla celów detekcji uszkodzeń przekładni
    Improvement of local mean approximation in empirical mode decomposition for gear fault detection
    Autorzy:
    Wang, Y.
    Zuo, M. J.
    Lei, Y.
    Fan, X.
    Powiązania:
    https://bibliotekanauki.pl/articles/301082.pdf
    Data publikacji:
    2010
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    rozkład na mody empiryczne
    interpolacja Hermite'a
    funkcja sklejana 3-ego stopnia
    aproksymacja średniej wartości obwiedni
    okienkowana średnia lokalna
    detekcja uszkodzeń przekładni
    empirical mode decomposition
    Hermite interpolation
    cubic spline
    envelope mean approximation
    windowed local mean
    gear fault detection
    Opis:
    Rozkład na mody empiryczne (EMD) to adaptacyjna metoda przetwarzania sygnału w połączonej dziedzinie czasu i częstotliwości, która jest całkowicie sterowana przez same dane. Metody interpolacji funkcjami sklejanymi trzeciego stopnia (cubic spline interpolation) używa się do aproksymacji średniej lokalnej w procesie przesiewu EMD. Niniejsza praca bada podejścia do poprawy aproksymacji średniej lokalnej w celu otrzymania lepszych charakterystyk EMD. Do aproksymacji średniej wartości obwiedni (envelope mean approximation) zastosowano metodę zmodyfi kowanej monotonicznej interpolacji Hermite'a funkcjami sklejanymi (modifi ed monotone piecewise Hermite interpolation, MMPHI), jako że wykazuje ona przewagę nad metodą funkcji sklejanych trzeciego stopnia. Zbadano również jeden z typów bezpośredniej aproksymacji lokalnej średniej, tzw. podejście okienkowanej średniej lokalnej (windowed local mean, WLM), i pokazano jego zalety w wykrywaniu impulsów.
    Empirical mode decomposition (EMD) is an adaptive time-frequency domain signal processing method that is completely driven by data itself. The cubic spline interpolation method has been used to approximate the local mean in the sifting process of EMD. This study explores approaches to improve local mean approximation to obtain better EMD performance. A modifi ed monotone piecewise Hermite interpolation (MMPHI) method is applied to envelope mean approximation, because it demonstrates advantages over the cubic spline method. A type of direct approximation of the local mean, i.e., the windowed local mean (WLM) approach, is also investigated and its merit in identifying impulses is demonstrated.
    Źródło:
    Eksploatacja i Niezawodność; 2010, 2; 59-66
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Particle swarm-optimized support vector machines and pre-processing techniques for remaining useful life estimation of bearings
    Zastosowanie maszyn wektorów nośnych zoptymalizowanych metodą roju cząstek oraz technik przetwarzania wstępnego do oceny pozostałego okresu użytkowania łożysk
    Autorzy:
    Souto, Maior Caio Bezerra
    das Chagas Moura, Márcio
    Lins, Isis Didier
    Powiązania:
    https://bibliotekanauki.pl/articles/301219.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    big data
    vibration signal
    bearings
    remaining useful life
    empirical mode decomposition
    wavelets transform
    support vector machine
    particle swarm optimization (PSO)
    duże dane
    sygnał drgań
    łożyska
    pozostały okres użytkowania
    empiryczna dekompozycja sygnału
    transformata falkowa
    maszyna wektorów nośnych
    optymalizacja rojem cząstek
    Opis:
    The useful life time of equipment is an important variable related to system prognosis, and its accurate estimation leads to several competitive advantage in industry. In this paper, Remaining Useful Lifetime (RUL) prediction is estimated by Particle Swarm optimized Support Vector Machines (PSO+SVM) considering two possible pre-processing techniques to improve input quality: Empirical Mode Decomposition (EMD) and Wavelet Transforms (WT). Here, EMD and WT coupled with SVM are used to predict RUL of bearing from the IEEE PHM Challenge 2012 big dataset. Specifically, two cases were analyzed: considering the complete vibration dataset and considering truncated vibration dataset. Finally, predictions provided from models applying both pre-processing techniques are compared against results obtained from PSO+SVM without any pre-processing approach. As conclusion, EMD+SVM presented more accurate predictions and outperformed the other models.
    Okres użytkowania sprzętu jest ważną zmienną związaną z prognozowaniem pracy systemu, a możliwość jego dokładnej oceny daje zakładom przemysłowym znaczną przewagę konkurencyjną. W tym artykule pozostały czas pracy (Remaining Useful Life, RUL) szacowano za pomocą maszyn wektorów nośnych zoptymalizowanych rojem cząstek (SVM+PSO) z uwzględnieniem dwóch technik przetwarzania wstępnego pozwalających na poprawę jakości danych wejściowych: empirycznej dekompozycji sygnału (Empirical Mode Decomposition, EMD) oraz transformat falkowych (Wavelet Transforms, WT). W niniejszej pracy, EMD i falki w połączeniu z SVM wykorzystano do prognozowania RUL łożyska ze zbioru danych IEEE PHM Challenge 2012 Big Dataset. W szczególności, przeanalizowano dwa przypadki: uwzględniający kompletny zestaw danych o drganiach oraz drugi, biorący pod uwagę okrojoną wersję tego zbioru. Prognozy otrzymane na podstawie modeli, w których zastosowano obie techniki przetwarzania wstępnego porównano z wynikami uzyskanymi za pomocą PSO + SVM bez wstępnego przetwarzania danych. Wyniki pokazały, że model EMD + SVM generował dokładniejsze prognozy i tym samym przewyższał pozostałe badane modele.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 4; 610-618
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies