基于多尺度排列熵的滾動(dòng)軸承故障特征提取
發(fā)布時(shí)間:2021-12-10 02:41
針對(duì)現(xiàn)有滾動(dòng)軸承故障識(shí)別精度低的問(wèn)題,存在冗雜信息較多和分解識(shí)別計(jì)算量大的問(wèn)題,將集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition,EEMD)與多尺度排列熵、鄰域粗糙集(neighborhood rough set,NRS)進(jìn)行結(jié)合提出一種針對(duì)軸承系統(tǒng)故障特征提取的方法。文章對(duì)傳統(tǒng)的鄰域粗糙集算法進(jìn)行改進(jìn),將故障信號(hào)進(jìn)行EEMD分解和多尺度排列熵計(jì)算后形成條件屬性,從而建立故障識(shí)別決策表,然后利用鄰域粗糙集對(duì)決策表進(jìn)行屬性約簡(jiǎn)消除冗余的屬性。最后將約簡(jiǎn)后的敏感特征子集輸入概率神經(jīng)網(wǎng)絡(luò)中進(jìn)行模式識(shí)別。通過(guò)實(shí)驗(yàn)結(jié)果表明,該文提出的方法對(duì)滾動(dòng)軸承故障特征提取以及對(duì)于故障的精確識(shí)別是十分有效的,能夠減小計(jì)算量同時(shí)精確實(shí)現(xiàn)故障診斷。
【文章來(lái)源】:組合機(jī)床與自動(dòng)化加工技術(shù). 2020,(08)北大核心
【文章頁(yè)數(shù)】:6 頁(yè)
【部分圖文】:
高斯白噪聲在不同延時(shí)時(shí)間的排列熵
本文采用的算法是在基于鄰域粗糙集的前向貪心算法的基礎(chǔ)上進(jìn)行改進(jìn),詳細(xì)步驟如下:與傳統(tǒng)的前項(xiàng)貪心算法相比,改進(jìn)算法注重點(diǎn)在于對(duì)重要度屬性的篩選進(jìn)行改良,從而實(shí)現(xiàn)對(duì)于計(jì)算量的減少,對(duì)于鄰域半徑的大小和實(shí)際應(yīng)更貼近,在對(duì)故障數(shù)據(jù)進(jìn)行約簡(jiǎn)的過(guò)程中更能準(zhǔn)確的體現(xiàn)數(shù)據(jù)的本質(zhì)。
在對(duì)滾動(dòng)軸承進(jìn)行故障診斷過(guò)程中獲取敏感特征集,對(duì)冗雜特征信息進(jìn)行挖掘、求精,是本文所關(guān)注的;诖,本文采用多尺度排列熵與鄰域粗糙集結(jié)合的方法對(duì)振動(dòng)信號(hào)進(jìn)行處理,最后將特征引入概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別驗(yàn)證。故障特征提取流程如下:算法具體步驟如下:
【參考文獻(xiàn)】:
期刊論文
[1]基于EEMD小波閾值去噪和CS-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電齒輪箱故障診斷[J]. 王紅君,趙元路,趙輝,岳有軍. 機(jī)械傳動(dòng). 2019(01)
[2]排列熵優(yōu)化改進(jìn)變模態(tài)分解算法診斷齒輪箱故障[J]. 王志堅(jiān),常雪,王俊元,杜文華,段能全,黨長(zhǎng)營(yíng). 農(nóng)業(yè)工程學(xué)報(bào). 2018(23)
[3]基于鄰域粗糙集與多核支持向量機(jī)的變壓器多級(jí)故障診斷[J]. 李春茂,周妺末,劉亞婕,高波,吳廣寧. 高電壓技術(shù). 2018(11)
[4]基于VMD共振稀疏分解的滾動(dòng)軸承故障診斷[J]. 楊偉,王紅軍. 電子測(cè)量與儀器學(xué)報(bào). 2018(09)
[5]EEMD-PE與M-RVM相結(jié)合的軸承故障診斷方法[J]. 劉曉東,劉朦月,陳寅生,朱文煒. 哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2017(09)
[6]基于振動(dòng)信號(hào)能量熵的軸承故障診斷[J]. 任玉卿,王海瑞,齊磊,李榮遠(yuǎn). 計(jì)算機(jī)應(yīng)用與軟件. 2017(09)
[7]鄰域粗糙集與相關(guān)向量機(jī)相結(jié)合的變壓器故障綜合診斷模型[J]. 陳嘉霖,段家華,張明宇. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2016(11)
[8]基于IMF能量矩和HSMM模型的滾動(dòng)軸承故障診斷方法[J]. 張敏,崔海龍,陳曦暉,程剛. 組合機(jī)床與自動(dòng)化加工技術(shù). 2015(10)
[9]基于EEMD形態(tài)譜和KFCM聚類集成的滾動(dòng)軸承故障診斷方法研究[J]. 鄭直,姜萬(wàn)錄,胡浩松,朱勇,李揚(yáng). 振動(dòng)工程學(xué)報(bào). 2015(02)
[10]基于經(jīng)驗(yàn)?zāi)J椒纸夂椭髟治龅臐L動(dòng)軸承故障診斷方法研究[J]. 徐卓飛,劉凱,張海燕,王丹,張明龍,吳欣陽(yáng). 振動(dòng)與沖擊. 2014(23)
本文編號(hào):3531759
【文章來(lái)源】:組合機(jī)床與自動(dòng)化加工技術(shù). 2020,(08)北大核心
【文章頁(yè)數(shù)】:6 頁(yè)
【部分圖文】:
高斯白噪聲在不同延時(shí)時(shí)間的排列熵
本文采用的算法是在基于鄰域粗糙集的前向貪心算法的基礎(chǔ)上進(jìn)行改進(jìn),詳細(xì)步驟如下:與傳統(tǒng)的前項(xiàng)貪心算法相比,改進(jìn)算法注重點(diǎn)在于對(duì)重要度屬性的篩選進(jìn)行改良,從而實(shí)現(xiàn)對(duì)于計(jì)算量的減少,對(duì)于鄰域半徑的大小和實(shí)際應(yīng)更貼近,在對(duì)故障數(shù)據(jù)進(jìn)行約簡(jiǎn)的過(guò)程中更能準(zhǔn)確的體現(xiàn)數(shù)據(jù)的本質(zhì)。
在對(duì)滾動(dòng)軸承進(jìn)行故障診斷過(guò)程中獲取敏感特征集,對(duì)冗雜特征信息進(jìn)行挖掘、求精,是本文所關(guān)注的;诖,本文采用多尺度排列熵與鄰域粗糙集結(jié)合的方法對(duì)振動(dòng)信號(hào)進(jìn)行處理,最后將特征引入概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別驗(yàn)證。故障特征提取流程如下:算法具體步驟如下:
【參考文獻(xiàn)】:
期刊論文
[1]基于EEMD小波閾值去噪和CS-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電齒輪箱故障診斷[J]. 王紅君,趙元路,趙輝,岳有軍. 機(jī)械傳動(dòng). 2019(01)
[2]排列熵優(yōu)化改進(jìn)變模態(tài)分解算法診斷齒輪箱故障[J]. 王志堅(jiān),常雪,王俊元,杜文華,段能全,黨長(zhǎng)營(yíng). 農(nóng)業(yè)工程學(xué)報(bào). 2018(23)
[3]基于鄰域粗糙集與多核支持向量機(jī)的變壓器多級(jí)故障診斷[J]. 李春茂,周妺末,劉亞婕,高波,吳廣寧. 高電壓技術(shù). 2018(11)
[4]基于VMD共振稀疏分解的滾動(dòng)軸承故障診斷[J]. 楊偉,王紅軍. 電子測(cè)量與儀器學(xué)報(bào). 2018(09)
[5]EEMD-PE與M-RVM相結(jié)合的軸承故障診斷方法[J]. 劉曉東,劉朦月,陳寅生,朱文煒. 哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2017(09)
[6]基于振動(dòng)信號(hào)能量熵的軸承故障診斷[J]. 任玉卿,王海瑞,齊磊,李榮遠(yuǎn). 計(jì)算機(jī)應(yīng)用與軟件. 2017(09)
[7]鄰域粗糙集與相關(guān)向量機(jī)相結(jié)合的變壓器故障綜合診斷模型[J]. 陳嘉霖,段家華,張明宇. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2016(11)
[8]基于IMF能量矩和HSMM模型的滾動(dòng)軸承故障診斷方法[J]. 張敏,崔海龍,陳曦暉,程剛. 組合機(jī)床與自動(dòng)化加工技術(shù). 2015(10)
[9]基于EEMD形態(tài)譜和KFCM聚類集成的滾動(dòng)軸承故障診斷方法研究[J]. 鄭直,姜萬(wàn)錄,胡浩松,朱勇,李揚(yáng). 振動(dòng)工程學(xué)報(bào). 2015(02)
[10]基于經(jīng)驗(yàn)?zāi)J椒纸夂椭髟治龅臐L動(dòng)軸承故障診斷方法研究[J]. 徐卓飛,劉凱,張海燕,王丹,張明龍,吳欣陽(yáng). 振動(dòng)與沖擊. 2014(23)
本文編號(hào):3531759
本文鏈接:http://sikaile.net/jixiegongchenglunwen/3531759.html
最近更新
教材專著