本文關(guān)鍵詞：基于LCD互近似熵和相關(guān)向量機的軸承故障診斷方法　出處：《機械傳動》2017年11期 　論文類型：期刊論文

  更多相關(guān)文章： 局部特征尺度分解 互近似熵 相關(guān)向量機 故障診斷 滾動軸承

【摘要】：針對滾動軸承的故障診斷問題,提出了基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)互近似熵(Cross Approximate Entropy,CAE)和相關(guān)向量機(Relevance Vector Machine,RVM)的滾動軸承故障診斷方法。該方法首先利用LCD將軸承振動信號分解成若干個具有不同頻率成分的內(nèi)稟尺度分量(Intrinsic Scale Component,ISC);然后通過能量篩選出包含主要故障信息的ISC分量,計算其CAE并作為故障特征向量以體現(xiàn)不同的運行狀態(tài);最后將故障特征輸入RVM進行故障識別。滾動軸承不同類別和不同損失程度故障實驗驗證了該方法的有效性。
[Abstract]:In order to solve the fault diagnosis problem of rolling bearing, a local Characteristic-scale Decomposition based on local characteristic scale decomposition is proposed. Cross Approximate Entropy. Cae) and correlation vector machine (Relevance Vector Machine). In this method, the bearing vibration signal is decomposed into several intrinsic scale components with different frequency components by LCD. Intrinsic Scale Component. ISCN; Then the ISC component which contains the main fault information is filtered by energy, and its CAE is calculated and used as the fault feature vector to reflect the different running state. Finally, the fault features are input into RVM for fault identification. The effectiveness of this method is verified by fault experiments of different types and different loss degrees of rolling bearings.
【作者單位】： 鄭州旅游職業(yè)學(xué)院信息工程系;鄭州旅游職業(yè)學(xué)院成人教育學(xué)院;駐江津地區(qū)軍代室;
【分類號】：TH133.33
【正文快照】： 0引言在滾動軸承的故障診斷中,故障特征提取和故障識別是兩個重要的環(huán)節(jié),但如何從具有非線性、非平穩(wěn)性振動信號中提取有效的故障特征、采用何種有效的故障識別方法,是很多學(xué)者一直在研究的問題[1-3]。局部特征尺度分解[4]216-220(LCD)能夠?qū)?fù)雜的多分量信號分解成一系列單分

【相似文獻】

相關(guān)期刊論文 前5條

1 徐光華;趙國強;印建安;姜闊勝;張虎;陶唐飛;;基于位移信號和近似熵的軸承加工質(zhì)量動態(tài)檢測技術(shù)[J];工業(yè)儀表與自動化裝置;2014年03期

2 胡紅英;馬孝江;;局域波近似熵及其在機械故障診斷中的應(yīng)用[J];振動與沖擊;2006年04期

3 焦海鋒;;基于小波—近似熵在風(fēng)機故障診斷中的應(yīng)用研究[J];電站系統(tǒng)工程;2007年04期

4 呂勇;徐金梧;李友榮;;遞歸圖和近似熵在設(shè)備故障信號復(fù)雜度分析中的應(yīng)用[J];機械強度;2006年03期

5 戴桂平;;基于EMD近似熵和LS-SVM的機械故障智能診斷[J];機械強度;2011年02期

相關(guān)博士學(xué)位論文 前2條

1 李永波;滾動軸承故障特征提取與早期診斷方法研究[D];哈爾濱工業(yè)大學(xué);2017年

2 王曉龍;基于振動信號處理的滾動軸承故障診斷方法研究[D];華北電力大學(xué)(北京);2017年

相關(guān)碩士學(xué)位論文 前2條

1 馬艷麗;基于全矢MEMD的滾動軸承狀態(tài)退化研究[D];鄭州大學(xué);2017年

2 金兵;基于信息融合與VPMCD的滾動軸承智能診斷研究[D];鄭州大學(xué);2017年

，

本文編號：1417377