本文關(guān)鍵詞：基于LCD互近似熵和相關(guān)向量機(jī)的軸承故障診斷方法　出處：《機(jī)械傳動(dòng)》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(jī) 故障診斷 滾動(dòng)軸承

【摘要】：針對(duì)滾動(dòng)軸承的故障診斷問(wèn)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(jī)(Relevance Vector Machine,RVM)的滾動(dòng)軸承故障診斷方法。該方法首先利用LCD將軸承振動(dòng)信號(hào)分解成若干個(gè)具有不同頻率成分的內(nèi)稟尺度分量(Intrinsic Scale Component,ISC);然后通過(guò)能量篩選出包含主要故障信息的ISC分量,計(jì)算其CAE并作為故障特征向量以體現(xiàn)不同的運(yùn)行狀態(tài);最后將故障特征輸入RVM進(jìn)行故障識(shí)別。滾動(dòng)軸承不同類別和不同損失程度故障實(shí)驗(yàn)驗(yàn)證了該方法的有效性。
[Abstract]:To solve the problem of fault diagnosis of rolling bearing, the local characteristic scale (Local Characteristic-scale Decomposition, based on the decomposition of LCD (Cross Approximate) cross approximate entropy Entropy, CAE) and relevance vector machine (Relevance Vector Machine, RVM) of the rolling bearing fault diagnosis method using the method of LCD bearing vibration signal is decomposed into several intrinsic scale components with different frequency components (Intrinsic, Scale Component, ISC); and then the energy selected ISC component containing main fault information, and calculate the CAE as the fault feature vector to reflect the different operating conditions; finally the fault feature input RVM for fault recognition. Different categories and different degree of loss fault experiment rolling bearing to verify the effectiveness of the method.

【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(hào)】：TH133.33
【正文快照】： 0引言在滾動(dòng)軸承的故障診斷中,故障特征提取和故障識(shí)別是兩個(gè)重要的環(huán)節(jié),但如何從具有非線性、非平穩(wěn)性振動(dòng)信號(hào)中提取有效的故障特征、采用何種有效的故障識(shí)別方法,是很多學(xué)者一直在研究的問(wèn)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(hào)分解成一系列單分

【相似文獻(xiàn)】

相關(guān)期刊論文 前5條

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

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

3 焦海鋒;;基于小波—近似熵在風(fēng)機(jī)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(hào)復(fù)雜度分析中的應(yīng)用[J];機(jī)械強(qiáng)度;2006年03期

5 戴桂平;;基于EMD近似熵和LS-SVM的機(jī)械故障智能診斷[J];機(jī)械強(qiáng)度;2011年02期

相關(guān)博士學(xué)位論文 前2條

1 李永波;滾動(dòng)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(dòng)信號(hào)處理的滾動(dòng)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(dòng)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(dòng)軸承智能診斷研究[D];鄭州大學(xué);2017年

，

本文編號(hào)：1417378