本文關(guān)鍵詞：ELMD與排列熵在滾動(dòng)軸承故障診斷中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：針對(duì)軸承故障信號(hào)往往被強(qiáng)背景噪聲淹沒(méi),采用傳統(tǒng)包絡(luò)解調(diào)方法難以提取故障特征的問(wèn)題,提出總體局部均值分解(ensemble local mean decomposition,ELMD)與排列熵(permutation entropy,PE)相結(jié)合的軸承故障診斷方法。首先,對(duì)軸承振動(dòng)信號(hào)進(jìn)行ELMD分解并得到一系列窄帶乘積函數(shù)(product function,PF),然后,計(jì)算各PF分量排列熵以構(gòu)造高維特征向量,最后將高維特征向量作為多故障分類器的輸入來(lái)識(shí)別軸承故障類型。實(shí)驗(yàn)結(jié)果表明ELMD方法可以有效地抑制模態(tài)混疊;PF分量的排列熵分布可以反應(yīng)軸承不同工作狀態(tài)下的信號(hào)特征;基于ELMD與排列熵的智能診斷方法可以準(zhǔn)確地識(shí)別軸承的工作狀態(tài)和故障類型。
【作者單位】： 包頭職業(yè)技術(shù)學(xué)院;內(nèi)蒙古科技大學(xué)機(jī)械工程學(xué)院;
【關(guān)鍵詞】： 排列熵 總體局部均值分解 高維特征向量 模態(tài)混疊 故障診斷
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(51565046) 內(nèi)蒙古自然科學(xué)基金資助項(xiàng)目(2015MS0512) 內(nèi)蒙古高等學(xué)�？茖W(xué)研究資助項(xiàng)目(NJZY146)
【分類號(hào)】：TH133.33
【正文快照】： 014010)0引言軸承是旋轉(zhuǎn)機(jī)械中最易損壞的機(jī)械零部件之一,很多機(jī)械故障都和軸承工作狀態(tài)密切相關(guān)。因此,能否快速、精準(zhǔn)、容易地檢測(cè)出軸承故障的存在和嚴(yán)重程度對(duì)于保持軸承安全可靠地運(yùn)行和減少設(shè)備停機(jī)成本意義重大[1]。由于加載,摩擦,剛度的影響,軸承故障振動(dòng)信號(hào)往往呈現(xiàn)

  本文關(guān)鍵詞：ELMD與排列熵在滾動(dòng)軸承故障診斷中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：467377