کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6956299 1451868 2015 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A general sequential Monte Carlo method based optimal wavelet filter: A Bayesian approach for extracting bearing fault features
ترجمه فارسی عنوان
یک فیلتر توالی بهینه مبتنی بر روش متداول مونت کارلو: رویکرد بیس برای استخراج ویژگی های گسل تحمل
کلمات کلیدی
یاتاقان، تشخیص گسل، روش مونت کارلو، بهینه سازی، موجک تبدیل می شود، ارتعاشات،
ترجمه چکیده
به طور کلی روش متداول متداول مونت کارلو، بخصوص یک فیلتر ذرات جامع، اخیرا به دلیل پیش آگهی ها توجه زیادی را به خود جلب می کند زیرا قادر به برآورد توابع چگالی احتمالی خالص توابع دولتی است که در مدل فضای حالت استفاده می شود بدون اینکه فرضیه های محدود کننده ای باشد. در این مقاله، فیلتر ذرات جامع برای بهینه سازی یک فیلتر موجک برای استخراج ویژگی های گسل تحمل معرفی شده است. نوآوری اصلی این مقاله این است که یک تابع چگالی احتمالی خلفی عددی از پارامترهای موجک با مجموعه ای از ذرات تصادفی با وزن های مربوط به آن نشان داده می شود که به ندرت گزارش می شود. هنگامی که عملکرد چگالی احتمالی خلفی مشترک از پارامترهای موجک حاصل می شود، فرکانس و پهنای باند تقریبا بهینه مرکز می تواند تعیین شود و برای انجام فیلترینگ موجک مطلوب برای استخراج ویژگی های گسل تحمل استفاده شود. برای سنجش اثربخشی روش پیشنهادی، دو مورد مورد بررسی قرار گرفته است. نتایج نشان می دهد که روش پیشنهادی یک روش بیزی برای استخراج ویژگی های گسل ارائه می دهد. علاوه بر این، روش پیشنهادی را می توان با استفاده از توابع و معیارهای موجک متفاوتی تعمیم داد و برای هر وضعیت دیگر که در آن فیلترینگ موجک مطلوب مورد نیاز است، به طور گسترده استفاده شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
یک فیلتر توالی بهینه مبتنی بر روش متداول مونت کارلو: رویکرد بیس برای استخراج ویژگی های گسل تحمل
چکیده انگلیسی
A general sequential Monte Carlo method, particularly a general particle filter, attracts much attention in prognostics recently because it is able to on-line estimate posterior probability density functions of the state functions used in a state space model without making restrictive assumptions. In this paper, the general particle filter is introduced to optimize a wavelet filter for extracting bearing fault features. The major innovation of this paper is that a joint posterior probability density function of wavelet parameters is represented by a set of random particles with their associated weights, which is seldom reported. Once the joint posterior probability density function of wavelet parameters is derived, the approximately optimal center frequency and bandwidth can be determined and be used to perform an optimal wavelet filtering for extracting bearing fault features. Two case studies are investigated to illustrate the effectiveness of the proposed method. The results show that the proposed method provides a Bayesian approach to extract bearing fault features. Additionally, the proposed method can be generalized by using different wavelet functions and metrics and be applied more widely to any other situation in which the optimal wavelet filtering is required.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Mechanical Systems and Signal Processing - Volumes 52–53, February 2015, Pages 293-308
نویسندگان
, , ,