【摘要】：針對(duì)早期滾動(dòng)故障特征不明顯和特征提取難等問(wèn)題,將一種新的衡量時(shí)間序列復(fù)雜性的方法——復(fù)合多尺度熵(CMSE)應(yīng)用于滾動(dòng)軸承故障振動(dòng)信號(hào)的特征提取。CMSE克服了多尺度熵中粗�；绞降牟蛔�,得到的熵值一致性和穩(wěn)定性好。同時(shí),針對(duì)機(jī)械故障智能診斷中收集大量的樣本比較容易而要對(duì)所有的樣本進(jìn)行類別標(biāo)記卻較為困難這一問(wèn)題,將拉普拉斯支持向量機(jī)(LapSVM)應(yīng)用于滾動(dòng)軸承故障的智能診斷中。在此基礎(chǔ)上,提出了一種基于CMSE,序列前向選擇(SFS)特征選擇和LapSVM的滾動(dòng)軸承故障診斷方法。最后,將提出的方法應(yīng)用于試驗(yàn)數(shù)據(jù)分析,結(jié)果表明:CMSE能夠有效地提取滾動(dòng)軸承的故障特征;當(dāng)有標(biāo)記樣本的數(shù)量較少時(shí),與僅使用有標(biāo)記樣本進(jìn)行學(xué)習(xí)的支持向量機(jī)相比,結(jié)合SFS特征選擇的LapSVM方法利用大量的無(wú)標(biāo)記樣本進(jìn)行輔助學(xué)習(xí),可以顯著提高故障診斷的正確率。
[Abstract]:Aiming at the problem that the feature of early rolling fault is not obvious and the feature extraction is difficult, A new method to measure the complexity of time series, compound multi-scale entropy (CMSE), is applied to feature extraction of rolling bearing fault vibration signal. CMSE overcomes the shortage of coarse granulation in multi-scale entropy, and the entropy value is consistent and stable. At the same time, to solve the problem that it is easy to collect a large number of samples in intelligent diagnosis of mechanical faults, but it is difficult to label all samples, Laplace support vector machine (LapSVM) is applied to the intelligent diagnosis of rolling bearing faults. On this basis, a rolling bearing fault diagnosis method based on CMSE, sequence forward selection (SFS) feature selection and LapSVM is proposed. Finally, the proposed method is applied to the analysis of test data. The results show that CMSE can effectively extract the fault features of rolling bearings, and when the number of labeled samples is small, it is compared with the support vector machine which only uses labeled samples to learn. The LapSVM method combined with SFS feature selection can improve the accuracy of fault diagnosis by using a large number of unlabeled samples to assist in learning.
【作者單位】： 安徽工業(yè)大學(xué)機(jī)械工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(51505002) 安徽省高校自然科學(xué)研究重點(diǎn)資助項(xiàng)目(KJ2015A080) 安徽工業(yè)大學(xué)研究生創(chuàng)新研究基金資助項(xiàng)目(2016061)
【分類號(hào)】：TH133.33

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 郝騰飛;陳果;;旋轉(zhuǎn)機(jī)械故障的拉普拉斯支持向量機(jī)診斷方法[J];中國(guó)機(jī)械工程;2016年01期

2 張龍;張磊;熊國(guó)良;周繼惠;王寧;王明翔;;基于多尺度熵的滾動(dòng)軸承Elman神經(jīng)網(wǎng)絡(luò)故障診斷方法[J];機(jī)械科學(xué)與技術(shù);2014年12期

3 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(dòng).測(cè)試與診斷;2013年02期

4 趙志宏;楊紹普;;一種基于樣本熵的軸承故障診斷方法[J];振動(dòng)與沖擊;2012年06期

5 來(lái)凌紅;吳虎勝;呂建新;劉鳳;朱玉榮;;基于EMD和樣本熵的滾動(dòng)軸承故障SVM識(shí)別[J];煤礦機(jī)械;2011年01期

6 邵信光;楊慧中;陳剛;;基于粒子群優(yōu)化算法的支持向量機(jī)參數(shù)選擇及其應(yīng)用[J];控制理論與應(yīng)用;2006年05期

7 程軍圣,于德介,楊宇;基于EMD和分形維數(shù)的轉(zhuǎn)子系統(tǒng)故障診斷[J];中國(guó)機(jī)械工程;2005年12期

8 胥永剛,何正嘉;分形維數(shù)和近似熵用于度量信號(hào)復(fù)雜性的比較研究[J];振動(dòng)與沖擊;2003年03期

9 呂志民,徐金梧,翟緒圣;分形維數(shù)及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);1999年02期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宋俊敏;李尚平;周永權(quán);鐘家勤;;基于蜻蜓算法的甘蔗收獲機(jī)刀盤振動(dòng)SVM預(yù)測(cè)模型[J];農(nóng)機(jī)化研究;2018年01期

2 代俊習(xí);鄭近德;潘海洋;潘紫微;;基于復(fù)合多尺度熵與拉普拉斯支持向量機(jī)的滾動(dòng)軸承故障診斷方法[J];中國(guó)機(jī)械工程;2017年11期

3 任化準(zhǔn);陳瓊;何有良;葉彬;;WPSO-SVR耦合日徑流預(yù)測(cè)模型研究及應(yīng)用[J];人民長(zhǎng)江;2017年10期

4 姜萬(wàn)錄;王浩楠;朱勇;王振威;董克巖;;變分模態(tài)分解消噪與核模糊C均值聚類相結(jié)合的滾動(dòng)軸承故障識(shí)別方法[J];中國(guó)機(jī)械工程;2017年10期

5 盧艷軍;劉毅;;基于BP-AdaBoost的耦合碰摩故障特征識(shí)別研究[J];現(xiàn)代制造工程;2017年05期

6 鄧飛躍;唐貴基;;基于時(shí)間-小波能量譜樣本熵的滾動(dòng)軸承智能診斷方法[J];振動(dòng)與沖擊;2017年09期

7 趙磊;夏均忠;李澤華;于明奇;汪治安;;基于VMD樣本熵和LS-SVM的滾動(dòng)軸承故障診斷[J];軍事交通學(xué)院學(xué)報(bào);2017年04期

8 李松;伏云發(fā);陳健;張建平;;五種SVM參數(shù)尋優(yōu)識(shí)別運(yùn)動(dòng)想象腦電比較研究[J];傳感器與微系統(tǒng);2017年04期

9 徐建軍;杜薔楠;徐建勇;薛國(guó)華;;WPT-MSE結(jié)合PNN的電機(jī)軸承故障診斷方法[J];自動(dòng)化儀表;2017年04期

10 許凡;方彥軍;張榮;;基于多尺度樣本熵與PCA-FCM的滾動(dòng)軸承故障診斷[J];青島科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年02期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張超;陳建軍;;基于LMD近似熵和支持向量機(jī)的軸承故障診斷[J];機(jī)械科學(xué)與技術(shù);2012年09期

2 張蕾;周洲;;基于小波和信息�；腂P神經(jīng)網(wǎng)絡(luò)的軸承故障診斷[J];機(jī)械科學(xué)與技術(shù);2012年01期

3 蘇文勝;王奉濤;朱泓;郭正剛;張志新;張洪印;;基于小波包樣本熵的滾動(dòng)軸承故障特征提取[J];振動(dòng).測(cè)試與診斷;2011年02期

4 徐玉秀;王志強(qiáng);梅元穎;;葉片振動(dòng)響應(yīng)的長(zhǎng)度分形故障特征提取與診斷[J];振動(dòng).測(cè)試與診斷;2011年02期

5 蔣宇;李志雄;唐茗;;LVQ神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用研究[J];機(jī)械科學(xué)與技術(shù);2011年03期

6 來(lái)凌紅;吳虎勝;呂建新;劉鳳;朱玉榮;;基于EMD和樣本熵的滾動(dòng)軸承故障SVM識(shí)別[J];煤礦機(jī)械;2011年01期

7 湯寶平;習(xí)建民;李鋒;;基于Elman神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷[J];計(jì)算機(jī)集成制造系統(tǒng);2010年10期

8 陶新民;徐晶;楊立標(biāo);劉玉;;基于GARCH模型MSVM的軸承故障診斷方法[J];振動(dòng)與沖擊;2010年05期

9 楊超;王志偉;;基于Elman神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[J];軸承;2010年05期

10 楊永生;張優(yōu)云;;基于集成支持向量機(jī)的滾動(dòng)軸承故障智能診斷研究[J];煤礦機(jī)械;2010年04期

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 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(dòng).測(cè)試與診斷;2013年02期

2 ;[J];;年期

相關(guān)會(huì)議論文 前2條

1 李嬋;張陽(yáng);張義軍;;地閃“不規(guī)則”先導(dǎo)的多尺度熵特征研究[A];創(chuàng)新驅(qū)動(dòng)發(fā)展 提高氣象災(zāi)害防御能力——S11第十一屆防雷減災(zāi)論壇[C];2013年

2 張濤;李雅堂;閻睿;楊卓;;基于多尺度的非線性動(dòng)力學(xué)分析及其在神經(jīng)系統(tǒng)中的應(yīng)用[A];第八屆全國(guó)動(dòng)力學(xué)與控制學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前1條

1 梁榮;煤礦長(zhǎng)距離斜井TBM（盾構(gòu)）施工風(fēng)險(xiǎn)特性與評(píng)估研究[D];中國(guó)礦業(yè)大學(xué)(北京);2016年

相關(guān)碩士學(xué)位論文 前10條

1 龍玉濤;基于熵測(cè)度的移動(dòng)條件下十二通道心電信號(hào)質(zhì)量評(píng)估[D];山東大學(xué);2015年

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

3 謝佳利;多尺度熵算法及其在情感腦電識(shí)別中的應(yīng)用[D];燕山大學(xué);2016年

4 章琴;基于視覺(jué)和本體感覺(jué)阻斷的人體靜態(tài)平衡能力的評(píng)估研究[D];杭州電子科技大學(xué);2016年

5 楊琛;基于彈性多尺度熵的網(wǎng)絡(luò)流量時(shí)空特性研究[D];杭州電子科技大學(xué);2016年

6 劉曉婷;基于加速度的人體步態(tài)信息多尺度熵研究[D];天津大學(xué);2008年

7 劉東海;基于多元多尺度熵的人體平衡系統(tǒng)研究[D];武漢理工大學(xué);2013年

8 崔潔;基于改進(jìn)多元多尺度熵的癲癇腦電信號(hào)自動(dòng)分類[D];燕山大學(xué);2014年

9 陳建萍;多尺度熵方法用于電子器件噪聲分析[D];西安電子科技大學(xué);2007年

10 裴建航;基于小波多尺度熵的導(dǎo)航傳感器故障診斷技術(shù)研究[D];哈爾濱工程大學(xué);2013年

，

本文編號(hào)：2279372