本文關(guān)鍵詞： 滾動軸承 多尺度熵 參數(shù)優(yōu)化 退化趨勢預(yù)測 極限學(xué)習(xí)機(jī)　出處：《中國機(jī)械工程》2017年20期 　論文類型：期刊論文

【摘要】：針對軸承振動信號隨機(jī)噪聲干擾大、多尺度熵表征軸承退化趨勢偏差大的問題,提出了一種基于二元多尺度熵的滾動軸承退化趨勢預(yù)測方法。首先對滾動軸承振動信號進(jìn)行局部特征尺度分解,采用多元多尺度熵理論對二階信號進(jìn)行計(jì)算,提取了二元多尺度熵特征。然后采用互信息法和假近鄰法對算法中的嵌入維數(shù)和延遲向量等參數(shù)進(jìn)行了優(yōu)化。最后采用極限學(xué)習(xí)機(jī)預(yù)測模型對二元多尺度熵退化趨勢曲線進(jìn)行預(yù)測,并對比了不同激活函數(shù)的預(yù)測性能。結(jié)果表明,相對于傳統(tǒng)多尺度熵,二元多尺度熵偏差較小;激活函數(shù)為sigmoid時(shí)極限學(xué)習(xí)機(jī)模型預(yù)測精確度較高。
[Abstract]:In order to solve the problem that the random noise disturbance of bearing vibration signal is large and the multi-scale entropy is used to characterize the large deviation of bearing degradation trend. A prediction method of rolling bearing degradation trend based on binary multi-scale entropy is proposed. Firstly, the vibration signal of rolling bearing is decomposed with local characteristic scale, and the second-order signal is calculated by multivariate multi-scale entropy theory. The binary multi-scale entropy feature is extracted, and the embedding dimension and delay vector in the algorithm are optimized by mutual information method and pseudo-nearest neighbor method. Finally, the prediction model of extreme learning machine is used to degenerate the binary multi-scale entropy. Forecast the trend curve. The prediction performance of different activation functions is compared. The results show that the deviation of binary multi-scale entropy is smaller than that of traditional multi-scale entropy. When the activation function is sigmoid, the prediction accuracy of LLM model is high.
【作者單位】： 陸軍工程大學(xué)石家莊校區(qū)導(dǎo)彈工程系;陸軍工程大學(xué)科研學(xué)術(shù)處;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(51541506)
【分類號】：TH133.33
【正文快照】： 0引言在旋轉(zhuǎn)機(jī)械系統(tǒng)狀態(tài)檢修、故障預(yù)測與健康管理領(lǐng)域,滾動軸承性能退化評估和剩余使用壽命預(yù)測是研究的熱點(diǎn)與難點(diǎn),該研究內(nèi)容的關(guān)鍵在于退化特征提取[1]。在故障模式識別研究中,故障特征僅需區(qū)分不同故障差異即可,而滾動軸承退化趨勢預(yù)測和性能退化評估均要求退化特征對滾

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 張龍;黃文藝;熊國良;;基于多尺度熵的滾動軸承故障程度評估[J];振動與沖擊;2014年09期

2 鄭近德;程軍圣;胡思宇;;多尺度熵在轉(zhuǎn)子故障診斷中的應(yīng)用[J];振動.測試與診斷;2013年02期

相關(guān)碩士學(xué)位論文 前3條

1 高中華;基于經(jīng)驗(yàn)?zāi)B(tài)分解和多尺度熵的滾動軸承故障診斷研究[D];長春工業(yè)大學(xué);2016年

2 董克巖;改進(jìn)的多尺度熵及在旋轉(zhuǎn)機(jī)械故障特征提取與診斷中的應(yīng)用[D];燕山大學(xué);2016年

3 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：1482854