EEMD排列熵與PCA-GK的滾動軸承聚類故障診斷
發(fā)布時間：2017-12-18 10:14
本文關(guān)鍵詞：EEMD排列熵與PCA-GK的滾動軸承聚類故障診斷
更多相關(guān)文章： 滾動軸承 故障診斷 總體經(jīng)驗?zāi)Ｊ椒纸?/b> 排列熵 GK聚類算法
【摘要】：針對滾動軸承故障診斷中,用振動信號的總體經(jīng)驗?zāi)Ｊ椒纸?EEMD)方法分解后的熵特征向量維數(shù)高,且樣本熵(SE)計算效率差等問題,提出了一種基于EEMD排列熵(PE)的主成分分析(PCA)-GK滾動軸承聚類故障診斷組合方法。首先,使用EEMD方法將信號分解為若干個固有模態(tài)函數(shù)(IMFs),使用PE/SE計算其IMFs熵值;然后,使用PCA對熵特征向量進(jìn)行可視化降維,并作為模糊C均值(FCM)與GK聚類算法的輸入,實現(xiàn)對滾動軸承的故障診斷。利用分類系數(shù)和平均模糊熵,對聚類結(jié)果進(jìn)行了評價與對比,實驗結(jié)果表明:本文模型(EEMD-PE-PCA-GK)的聚類效果比其他3種模型(EEMD-SE-PCA-FCM、EEMD-SE-PCA-GK和EEMDPE-PCA-FCM)更好,且PE比SE的計算效率更快。
【作者單位】： 廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院;武漢大學(xué)自動化系;
【分類號】：TH133.33;;TP206+.3
【正文快照】： 0引言 滾動軸承作為旋轉(zhuǎn)機械運行的重要部件之一,其故障診斷具有重要意義。使用滾動軸承的振動信號進(jìn)行旋轉(zhuǎn)機械的故障診斷是常用的方式之一[1]。滾動軸承振動信號的特征提取和故障識別是滾動軸承故障診斷中兩個重要的部分。經(jīng)驗?zāi)Ｊ椒纸?empirical mode decomposition,EMD)[
【相似文獻(xiàn)】
中國重要會議論文全文數(shù)據(jù)庫 前1條
1 夏江江;嚴(yán)中偉;;北京地區(qū)城市化進(jìn)程對局地生長季變化的影響[A];第28屆中國氣象學(xué)會年會——S7城市氣象精細(xì)預(yù)報與服務(wù)[C];2011年
中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條
1 趙肖宇;基于EMD和EEMD的自適應(yīng)光譜預(yù)處理方法及其應(yīng)用研究[D];燕山大學(xué);2015年
，本文編號：1303783
本文鏈接：http://sikaile.net/jixiegongchenglunwen/1303783.html
最近更新
教材專著
