典型文献
基于多重分形去趋势波动分析算法的表面磨损形式特征研究
文献摘要：
为了识别表面的磨损形式以研究零件表面的摩擦学特性,以不同载荷下的磨料磨损和黏着磨损2种磨损形式的表面为研究对象,应用LSTM-1型磨损表面形貌测量仪和稳健高斯滤波方法对磨损表面形貌进行数据采集和滤波处理后,使用多重分形去趋势波动分析算法(MF-DFA)计算磨损表面高频信息的广义赫斯特指数,并通过分析该指数与表面形貌磨损纹理特征之间的关系,使用主成分分析法提取用于识别2种磨损形式的特征,然后采用K-means聚类、支持向量机(SVM)和BP神经网络方法,分别对所提取的特征参数进行分类,比较不同分类器识别结果的准确率.研究结果表明:广义赫斯特指数可用于区分磨损表面犁沟类和凹坑类纹理特征的指标,作为机器学习特征对表面磨损形式识别分类.
文献关键词：
表面形貌;MF-DFA;磨损形式特征;广义赫斯特指数;机器学习
中图分类号：
作者姓名：
张一兵;陈聪;刘立鹏;胡瑞
作者机构：
武汉理工大学机电工程学院 湖北武汉430070;中车株洲电机有限公司 湖南株洲412000;南昌工程学院机械与电气工程学院 江西南昌330000
文献出处：
引用格式：
[1]张一兵;陈聪;刘立鹏;胡瑞-.基于多重分形去趋势波动分析算法的表面磨损形式特征研究)[J].润滑与密封,2022(02):15-21
A类：
磨损形式特征,广义赫斯特指数
B类：
多重分形去趋势波动分析算法,零件,摩擦学特性,不同载荷,磨料磨损,黏着磨损,磨损表面形貌,形貌测量,测量仪,高斯滤波,滤波方法,滤波处理,MF,DFA,频信,纹理特征,取用,means,神经网络方法,分类器,器识,分磨,犁沟,凹坑,机器学习特征,识别分类
AB值：
0.219449
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。
