本文關(guān)鍵詞：諧波小波樣本熵與HMM模型的軸承故障模式識(shí)別

  更多相關(guān)文章： 諧波小波 樣本熵 HMM模型 滾動(dòng)軸承 模式識(shí)別

【摘要】：根據(jù)諧波小波分解非平穩(wěn)振動(dòng)信號(hào)優(yōu)良特性與隱馬爾科夫(HMM)模型的時(shí)序模式分類能力,提出了一種基于諧波小波樣本熵與HMM模型結(jié)合的軸承故障模式識(shí)別方法.該方法首先利用諧波小波對(duì)軸承各個(gè)狀態(tài)故障信號(hào)進(jìn)行分解,進(jìn)而由諧波小波三維時(shí)頻網(wǎng)格圖的頻率層數(shù)特征計(jì)算合理的樣本熵維數(shù)和閾值,依次提取軸承振動(dòng)信號(hào)各層的樣本熵構(gòu)成特征向量序列;然后將序列前120組輸入HMM模型中進(jìn)行訓(xùn)練得到對(duì)應(yīng)故障模型,剩余80組進(jìn)行測(cè)試與識(shí)別,通過(guò)對(duì)比對(duì)數(shù)似然估計(jì)概率輸出值確定軸承故障類型.實(shí)驗(yàn)通過(guò)與BP和RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行不同訓(xùn)練組數(shù)的正確識(shí)別率對(duì)比,驗(yàn)證了該組合方法具有識(shí)別準(zhǔn)確率高,穩(wěn)定性強(qiáng)的優(yōu)點(diǎn).
【作者單位】： 東華大學(xué)機(jī)械工程學(xué)院;George
【關(guān)鍵詞】： 諧波小波 樣本熵 HMM模型 滾動(dòng)軸承 模式識(shí)別
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(51175077) 上海市自然科學(xué)基金資助項(xiàng)目(14ZR1418500)
【分類號(hào)】：TH133.3
【正文快照】： 2.George W.Woodruff School of Mechanical Engineering,Georgia Institute of Technology,Atlanta,GA 30332-0560,USA)accuracy and stability.軸承故障特征提取與模式識(shí)別對(duì)故障診斷及故障機(jī)理研究具有重要意義.由于變工況及設(shè)備自身的非線性影響,軸承發(fā)生故障時(shí),振動(dòng)信號(hào)，

本文編號(hào)：1101996