关山
- 作品数：64 被引量：269H指数：11
- 供职机构：东北电力大学更多>>
- 发文基金：博士科研启动基金辽宁省教育厅高校重点实验室项目吉林省科技厅科技攻关项目更多>>
- 相关领域：机械工程自动化与计算机技术电气工程电子电信更多>>
- 在线金属切削刀具磨损状态监测研究的回顾与展望Ⅱ:信号特征的提取被引量：10
- 2010年
- 刀具状态监测的目的是为了开发出实用的刀具状态监测设备。为了降低设备成本和提高监测的准确率,提取监测信号中最能反映刀具状态的特征是至关重要的。对近些年来在学术期刊上公开发表的关于刀具磨损在线监测研究中所采用的信号特征提取方法作简要的回顾与归纳,并得出如下结论:信号的特征提取算法有很多种,不同的信号对应不同的特征提取方法,即使是同一信号也可以用不同的特征提取方法描述它们在不同域内的特征;只有将不同的信号及不同的特征提取方法结合起来,才能实现成本低、可靠性高、安装方便的刀具监测系统。
- 关山
- 关键词：特征提取时域分析频域分析
- 基于物联网信息集成的高压开关柜运行状态在线综合监测系统研究被引量：11
- 2020年
- 针对高压开关柜远程集中监控存在的问题,本文研发了基于物联网信息集成的高压开关柜多类型运行参数在线综合监测系统,提高了开关柜运行可靠性。建立了高压开关柜多类型参数综合监测系统总体架构,系统包括:感知层、网络层、平台层和应用层。在感知层,通过多类型传感技术获得开关柜运行的电气参数和非电气参数,重点研发了微型在线式红外面扫描测温模块。在网络层,通过485总线、无线设备和4G网络,实现分布式的数据采集。在平台层采用云服务器,建立多类型参数数据模型对监测数据进行分类存储。在应用层,设计数据挖掘、应用边缘计算和模式识别方法,进行开关柜运行状态评判方法。该系统能够实现高压开关柜多类型参数分布式实时在线监控,设备运行状态实时感知、信息互联。现场应用结果表明,该系统在开关柜监测方面实时性强,有效提高开关柜运行维护水平,提高了设备运行的可靠性。
- 张碧辉黄巍巍辛业春关山
- 关键词：开关柜在线监测综合评估
- 基于EMD与LS-SVM的刀具磨损识别方法被引量：16
- 2011年
- 针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.
- 关山王龙山聂鹏
- 关键词：最小二乘支持向量机经验模态分解自回归模型
- 基于云理论与LS-SVM的刀具磨损识别方法被引量：8
- 2017年
- 针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。
- 关山康振兴彭昶
- 关键词：刀具磨损云理论支持向量机神经网络
- 基于声发射信号多特征分析与融合的刀具磨损分类与预测技术
- 随着制造装备自动化与制造模式集成化的发展,刀具切削状态的实时监测成为实现加工过程自动化的一项关键技术,也是目前尚没解决的重要难题。因此,研究加工过程中的刀具状态监控技术对实现加工过程自动化、提升产品加工质量、提高生产率是...
- 关山
- 关键词：刀具状态监测声发射信号双谱分析小波包分解核主元分析
- 文献传递
- 基于MF-DFA特征和LS-SVM算法的刀具磨损状态识别被引量：9
- 2018年
- 鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有的独特优势,该文提出了基于多重分形去趋势波动分析和最小二乘支持向量机的刀具磨损状态识别方法。首先,用MF-DFA(multifractal detrended fluctuations analysis)方法处理去噪后的刀具磨损声发射信号,讨论其长程相关性和分形特性;然后,分析对比了不同磨损阶段下多重分形谱参数的变化,筛选出能灵敏表征刀具磨损状态的多重分形谱参数:分形维数最大值点对应的奇异指数α_0,多重分形谱谱宽△α和广义Hurst指数波动均值△h(q)作为特征量;最后,利用LS-SVM(least square support vector machine)算法并对比支持向量机和神经网络算法实现刀具磨损状态识别,结果表明LS-SVM算法识别率最高,平均识别准确率达97.78%,验证了本文所提方法的有效性。试验结果表明,提取的特征对刀具磨损状态的变化非常敏感,可以分离相近的磨损状态,为刀具状态监测提供一种参考方法。
- 关山庞弘阳宋伟杰康振兴
- 关键词：切削刀具刀具磨损声发射支持向量机
- 金属切削过程刀具磨损信号的混沌特征被引量：7
- 2015年
- 针对刀具磨损过程中声发射信号非线性特征,提出基于混沌理论的信号分析及特征提取方法。采用延迟时间法对去噪后的时间序列进行相空间重构,分析延迟时间及嵌入维数随刀具磨损的变化规律;用关联维数、最大Lyapunov指数及Kolmogorov熵三种混沌特征参数定量分析刀具在不同切削条件下随磨损量增大所呈现的变化规律。研究结果表明,刀具磨损声发射信号具有明显的混沌特征,三种混沌特征参数、延迟时间及嵌入维数与刀具磨损状态具有明显的对应关系,可用作刀具磨损状态监测、磨损量预测的特征参数。
- 关山彭昶
- 关键词：刀具状态监测相空间重构
- 一种多类运动想象脑电信号特征提取及分类方法
- 本发明公开了一种多类运动想象脑电信号特征提取及分类方法，首先使用脑电采集设备采集多导联运动想象脑电信号，利用巴特沃斯滤波器和共平均参考对脑电信号进行预处理；然后采用局部均值分解算法将预处理后的信号分解为一系列PF分量，并...
- 关山李吉献崔金栋宋伟杰王福旺
- LS-SVM回归算法在刀具磨损量预测中的应用被引量：23
- 2015年
- 提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。
- 关山闫丽红彭昶
- 关键词：最小二乘支持向量机经验模态分解自回归模型
- 一种基于多域特征融合的脑电信号在线识别方法
- 本发明公开了一种基于多域特征融合的脑电信号在线识别方法，属于脑电信号自动识别领域，该方法主要包括：对原始脑电信号进行滤波，再对滤波后的脑电信号进行去中心化；分解去中心化后的每个通道的脑电信号，计算各个通道的IMF分量与原...
- 关山董庭瑞王福旺
