今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

基于OVMD和KLIRVM的齿轮箱系统故障诊断方法

《Scientific Reports》:Fault diagnosis method for gearbox systems using OVMD and KLIRVM

【字体: 大 中 小 】 时间:2026年06月13日 来源:Scientific Reports 3.9

编辑推荐:

  摘要为实现齿轮箱系统的精准诊断,本研究提出了一种结合正交化变分模态分解(OVMD)与核学习增量相关向量机(KLIRVM)的集成方法。由于贝塞尔基函数在检测突发性瞬态波动方面的优异性能,OVMD能够有效分离出由损坏的滚动元件引起的非平稳特性。此外,本文还提出了一种用于齿轮箱故障分类

  

摘要

为实现齿轮箱系统的精准诊断,本研究提出了一种结合正交化变分模态分解(OVMD)与核学习增量相关向量机(KLIRVM)的集成方法。由于贝塞尔基函数在检测突发性瞬态波动方面的优异性能,OVMD能够有效分离出由损坏的滚动元件引起的非平稳特性。此外,本文还提出了一种用于齿轮箱故障分类的新型KLIRVM方法,该方法将自适应核参数学习与增量更新无缝结合,使得每个基函数都能动态调整自身的位置和宽度,从而准确描述流式数据中局部变化的信号特征。通过消融实验验证了所提出的OVMD-KLIRVM框架的优越性。实证结果表明,该方法的诊断精度优于其他现有方法。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:声纹识别|故障分类|信号分离|岭回归|模式分解|闭环优化

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号