滾動軸承是電機的重要組成部分,也是出現(xiàn)故障較多的部位,對電機軸承進(jìn)行特征提取方法研究對于其故障診斷具有重要的意義。首先,介紹了排列熵及其改進(jìn)算法,并應(yīng)用于電機軸承故障檢測;其次,針對經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition, EMD）的端點效應(yīng)和模態(tài)混疊問題,提出了極值點對稱延拓加聚合經(jīng)驗?zāi)B(tài)分解以及解相關(guān)算法和改進(jìn)排列熵算法的混合算法（Modified Empirical Mode Decomposition, MEMD）,并應(yīng)用于電機軸承故障特征提取;最后,利用概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network, PNN）對電機軸承故障特征進(jìn)行了分類。結(jié)果表明,利用改進(jìn)后的經(jīng)驗?zāi)B(tài)分解算法進(jìn)行特征提取,可以明顯提高故障分類的準(zhǔn)確率。 

【文章頁數(shù)】：10 頁

【參考文獻(xiàn)】：
期刊論文
[1]雙譜估計結(jié)合EEMD的齒輪故障特征提取[J]. 呂宏強,武志斐,王鐵,谷豐收.  機械設(shè)計與制造. 2018(02)
[2]采用改進(jìn)互補集總經(jīng)驗?zāi)B(tài)分解的電能質(zhì)量擾動檢測方法[J]. 吳新忠,邢強,陳明,成江洋,楊春雨.  浙江大學(xué)學(xué)報(工學(xué)版). 2017(09)
[3]解相關(guān)EMD:消除模態(tài)混疊的新方法[J]. 肖瑛,殷福亮.  振動與沖擊. 2015(04)
[4]基于EEMD-Renyi熵和PCA-PNN的滾動軸承故障診斷[J]. 竇東陽,李麗娟,趙英凱.  東南大學(xué)學(xué)報(自然科學(xué)版). 2011(S1)
[5]抑制經(jīng)驗?zāi)７纸膺吘壭?yīng)的極值點對稱延拓法[J]. 舒忠平,楊智春.  西北工業(yè)大學(xué)學(xué)報. 2006(05)



本文編號：3686207