PHM算法论文初版 | 第一辑 决策树算法

转动摩擦力激光频小曲（滤莫频带是1kHz,试样长度是2048个点）定位滚动压缩本机（自始常、紧挨损坏）、斜链条（自始常、损坏）的精神状态特性。

文章四

C. Li, R. V. Sanchez, G. Zurita, M. Cerrada, D. Cabrera, and R. E. Vásquez, “Gearbox fault diagnosis based on deep random forest fusion of acoustic and vibratory signals,” Mech. Syst. Signal Process., vol. 76–77, pp. 283–293, 2016, doi: 10.1016/j.ymssp.2016.02.007.

针对链条箱的系统故障特性定位主因，对声发射（Acoustic Emission, AE）、转动频小曲2类零碎频小曲，分别顺利进行小莫包水解（Wavelet Packet Transform，WPT），抽取统计特性，然后用深度玻尔兹曼本机（Deep Boltzmann Machine，DBM）顺利进行非线性特性提取，2个DBM基本概念的输出作为随本机零碎森林基本概念的回传。该正则表达式在本机械工程传动装置链条箱试验台数据顺利进行了的测试，该链条箱有3个接续和4个链条密切相关，负重分为3个分级，有3个指导工作功率，总合计11种精神状态方式也（自始常精神状态、6类链条系统故障精神状态、压缩本机内上半部、滚动锥体3类系统故障、链条箱锥体缺陷）。AE和转动的收集频带分别为50kHz和10kHz，每次滤莫延时0.4096秒，小莫基引入Db5，AE频小曲的DBM基本概念的第一、二个隐含层尺寸为300，转动频小曲DBM两个隐含层尺寸以外为200。

文章五

Manjeevan Seera, Chee Peng Lim, Dahaman Ishak, and Harapajan Singh. Fault Detection and Diagnosis of Induction Motors Using Motor Current Signature Analysis and a Hybrid FMM–CART Model. IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, VOL. 23, NO. 1, JANUARY 2012

在三相感应本机械工程系统故障之中，按照数值，压缩本机系统故障分之二40%，定子系统故障分之二38%，增压器系统故障分之二10%，其他部件系统故障分之二12%。本文之中回避1个增压器条脱离（broken rotor bars）、2个增压器条脱离、定子绕组系统故障（stator winding faults）、偏心（eccentricity，通常由压缩本机系统故障引起，会造成气隙不以外匀）、电压不平衡点（unbalanced voltages）等5类系统故障。

引入三相电流频小曲、功率、负重作为诊断依据，电流激光的最高滤莫MLT-为50kHz，每次试验测值10个旋转周期（约等于0.2秒）的电流。

对于电流频小曲，量化其小曲能量密度，作为FMM（Fuzzy Min–Max）网络基本概念的回传，然后回传到CART基本概念做形态学。FMM量化速度慢，对数据空间顺利进行预区分，称为超级窗格（hyperbox），它可以降低左边形态学基本概念的演正则表达式。通过参数可以控制超级窗格的数目。

文章六

M. Seera, C. P. Lim, and C. K. Loo, “Motor fault detection and diagnosis using a hybrid FMM-CART model with online learning,” J. Intell. Manuf., vol. 27, no. 6, pp. 1273–1285, 2016, doi: 10.1007/s10845-014-0950-3.

将前面指导工作推展到在线修习，显然FMM-CART的较高的量化可靠性。

文章七

M. Seera, M. L. D. Wong, and A. K. Nandi, “Classification of ball bearing faults using a hybrid intelligent model,” Appl. Soft Comput. J., vol. 57, pp. 427–435, 2017, doi: 10.1016/j.asoc.2017.04.034.

基于转动频小曲（滤莫频带12kHz）三相本机械工程压缩本机的6个精神状态类别的定位主因，最主要全新压缩本机（NO）、有损坏但自始常压缩本机（NW）、紧挨系统故障（IR）、上半部系统故障 (OR)、滚动锥体系统故障（RE）和保持架系统故障（CA），这6类精神状态相关联的转动的系统频小曲如由此可知示意由此可知：

在特性变值上引入能值小曲（Power Spectrum，PS）、试样耗散(Sample Entropy，Samp En)。在正则表达式上对比了FMM、CART、随本机零碎森林（Random Forest, RF），以及FMM与CART、RF组合成的方法，这些方法与特性组合成在精准度、方差上对比如下由此可知示意由此可知。

文章八

W. Sun, J. Chen, and J. Li, “Decision tree and PCA-based fault diagnosis of rotating machinery,” Mech. Syst. Signal Process., vol. 21, no. 3, pp. 1300–1317, 2007, doi: 10.1016/j.ymssp.2006.06.010.

基于本特利RK4试验台数据，对自始常、不平衡点、增压器转轴碰摩、油膜涡动、轴外露、不平衡点和增压器转轴碰摩同时时有发生等6种接入精神状态顺利进行定位，提取了7个频小曲高可靠性（岭-岭值、振幅乘积、首当其冲乘积、Peak Index、Tolerance Index、偏度、岭度）和11个MLT-幅度特性，引入PCA降维，并显然用C4.5在精准度、量化可靠性上比神经网络都有占优。

文章九

B. S. Yang, D. S. Lim, and A. C. C. Tan, “VIBEX: An expert system for vibration fault diagnosis of rotating machinery using decision tree and decision table,” Expert Syst. Appl., vol. 28, no. 4, pp. 735–742, 2005, doi: 10.1016/j.eswa.2004.12.030.

基于本特利RK4试验台数据，对自始常、不平衡点、增压器转轴碰摩、油膜涡动、轴外露、不平衡点和增压器转轴碰摩同时时有发生等6种接入精神状态顺利进行定位，提取了7个频小曲高可靠性（岭-岭值、振幅乘积、首当其冲乘积、Peak Index、ToleranceIndex、偏度、岭度）和11个MLT-幅度特性，引入PCA降维，并显然用C4.5在精准度、量化可靠性上比神经网络都有占优。

文章十

B. S. Yang, X. Di, and T. Han, “Random forests classifier for machine fault diagnosis,” J. Mech. Sci. Technol., vol. 22, no. 9, pp. 1716–1725, 2008, doi: 10.1007/s12206-008-0603-6.

VIBEX（VIBrationEXpert）是一个旋转本机械转动分析的专家学者系统物件，由VIBEX-TBL、VIBEX-DT两个可选密切相关。VIBEX-TBL内置了42个十分相似系统故障主因和31个或许，其系统故障主因-或许决策表可以是专家学者回传（通常是If...Then...的专家学者规则）或有Bayesian正则表达式基本功能修习。VIBEX-DT引入举例来说正则表达式从数据基本功能修习。

Fib.1.VIBEX示意由此可知

。

镇江比较好的男科医院
长沙男科医院哪个专业
合肥看妇科去哪家医院最好
合肥看妇科的专业医院
北京白癜风医院去哪家好
胃部不适
小儿内分泌科
男性用药
长新冠
全民健康网症状库