دانلود مقاله انگلیسی رایگان:آنتروپی پویای نمادین چند متغیره کامپوزیت تصفیه شده و کاربرد آن در تشخیص خطای ماشین چرخشی - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی مهندسی مکانیک رایگان
  • Refined composite multivariate multiscale symbolic dynamic entropy and its application to fault diagnosis of rotating machine Refined composite multivariate multiscale symbolic dynamic entropy and its application to fault diagnosis of rotating machine
    Refined composite multivariate multiscale symbolic dynamic entropy and its application to fault diagnosis of rotating machine

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Refined composite multivariate multiscale symbolic dynamic entropy and its application to fault diagnosis of rotating machine


    ترجمه فارسی عنوان مقاله:

    آنتروپی پویای نمادین چند متغیره کامپوزیت تصفیه شده و کاربرد آن در تشخیص خطای ماشین چرخشی


    منبع:

    Sciencedirect - Elsevier - Measurement, 151 (2020) 107233: doi:10:1016/j:measurement:2019:107233


    نویسنده:

    Yuantao Yang, Huailiang Zheng, Jiancheng Yin, Minqiang Xu ⇑, Yushu Chen


    چکیده انگلیسی:

    Accurate and efficient identification of various fault categories, especially for the big data and multisensory system, is a challenge in rotating machinery fault diagnosis. For the diagnosis problems with massive multivariate data, extracting discriminative and stable features with high efficiency is the significant step. This paper proposes a novel feature extraction method, called Refined Composite multivariate Multiscale Symbolic Dynamic Entropy (RCmvMSDE), based on the refined composite analysis and multivariate multiscale symbolic dynamic entropy. Specifically, multivariate multiscale symbolic dynamic entropy can capture more identification information from multiple sensors with superior computational efficiency, while refine composite analysis guarantees its stability. The abilities of the proposed method to measure the complexity of multivariate time series and identify the signals with different components are discussed based on adequate simulation analysis. Further, to verify the effectiveness of the proposed method on fault diagnosis tasks, a centrifugal pump dataset under constant speed condition and a ball bearing dataset under time-varying speed condition are applied. Compared with the existing methods, the proposed method improves the classification accuracy and F-score to 99.81% and 0.9981, respectively. Meanwhile, the proposed method saves at least half of the computational time. The result shows that the proposed method is effective to improve the efficiency and classification accuracy dealing with the massive multivariate signals.
    Keywords: Multivariate multiscale symbolic dynamic | entropy | Random forest | Time-varying speed conditions | Fault diagnosis


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 17
    حجم فایل: 3337 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی