典型文献
基于CEEMDAN多尺度模糊熵和SSA-BP神经网络的VP型垂直摆倾斜仪故障辨识
文献摘要：
针对现有倾斜仪故障记录的甄别与分类主要依靠人工经验,诊断过程烦琐及诊断精度不高的问题,充分利用信号分解技术的特征升维与机器学习模型的快速自动分类等优势,提出一种结合自适应噪声完备集成经验模态分解多尺度模糊熵和麻雀搜索算法(sparrow search algorithm,SSA)优化反向传播神经网络(back propagation neural network,BPNN)的VP型宽频带垂直摆倾斜仪故障自动诊断方法.该方法首先将故障数据归一化,利用自适应噪声完备集成经验模态分解(complete ensem-ble empirical mode decomposition with adaptive noise,CEEMDAN)信号得到本征模态函数(intrinsic mode function,IMF)的多尺度模糊熵,然后基于SSA优化BPNN的权值与阈值,得到最佳权值和阈值,最后应用SSA-BPNN模型对倾斜仪故障特征数据进行辨识.实验表明:CEEMDAN多尺度模糊熵判据具有良好的倾斜仪故障特征区分效果;SSA-BP神经网络模型在准确率和召回率上,相比BP模型分别提高4.7581、6.3216个百分点,辨识过程更稳健,弥补了VP型倾斜仪在故障智能识别领域的空白.
文献关键词：
倾斜仪故障识别;自适应噪声完备集成经验模态分解;麻雀搜索算法;反向传播神经网络;多尺度模糊熵
中图分类号：
作者姓名：
庞聪;马武刚;李查玮;江勇;王磊;廖成旺
作者机构：
中国地震局地震研究所, 武汉430071;地震预警湖北省重点实验室, 武汉430071;湖北省地震局,武汉430071;河北省地震动力学重点实验室,三河065201;航天工程大学电子与光学工程系,北京101416
文献出处：
引用格式：
[1]庞聪;马武刚;李查玮;江勇;王磊;廖成旺-.基于CEEMDAN多尺度模糊熵和SSA-BP神经网络的VP型垂直摆倾斜仪故障辨识)[J].科学技术与工程,2022(35):15612-15616
A类：
熵判据,倾斜仪故障识别
B类：
CEEMDAN,多尺度模糊熵,SSA,VP,故障辨识,甄别,诊断过程,烦琐,信号分解技术,升维,机器学习模型,快速自动,自动分类,自适应噪声完备集成经验模态分解,麻雀搜索算法,sparrow,search,algorithm,反向传播神经网络,back,propagation,neural,network,BPNN,宽频带垂直摆倾斜仪,故障自动诊断,故障数据,数据归一化,complete,ensem,ble,empirical,mode,decomposition,adaptive,noise,本征模态函数,intrinsic,function,IMF,权值与阈值,故障特征,特征数据,特征区,召回率,百分点,更稳,智能识别
AB值：
0.277494
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
