EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断

发布时间：2017-12-18 10:14

  本文关键词：EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断

  更多相关文章： 滚动轴承 故障诊断 总体经验模式分解 排列熵 GK聚类算法

【摘要】：针对滚动轴承故障诊断中,用振动信号的总体经验模式分解(EEMD)方法分解后的熵特征向量维数高,且样本熵(SE)计算效率差等问题,提出了一种基于EEMD排列熵(PE)的主成分分析(PCA)-GK滚动轴承聚类故障诊断组合方法。首先,使用EEMD方法将信号分解为若干个固有模态函数(IMFs),使用PE/SE计算其IMFs熵值;然后,使用PCA对熵特征向量进行可视化降维,并作为模糊C均值(FCM)与GK聚类算法的输入,实现对滚动轴承的故障诊断。利用分类系数和平均模糊熵,对聚类结果进行了评价与对比,实验结果表明:本文模型(EEMD-PE-PCA-GK)的聚类效果比其他3种模型(EEMD-SE-PCA-FCM、EEMD-SE-PCA-GK和EEMDPE-PCA-FCM)更好,且PE比SE的计算效率更快。
【作者单位】： 广东电网有限责任公司电力科学研究院;武汉大学自动化系;
【分类号】：TH133.33;;TP206+.3
【正文快照】： 0引言 滚动轴承作为旋转机械运行的重要部件之一,其故障诊断具有重要意义。使用滚动轴承的振动信号进行旋转机械的故障诊断是常用的方式之一[1]。滚动轴承振动信号的特征提取和故障识别是滚动轴承故障诊断中两个重要的部分。经验模式分解(empirical mode decomposition,EMD)[

【相似文献】

中国重要会议论文全文数据库 前1条

1 夏江江;严中伟;;北京地区城市化进程对局地生长季变化的影响[A];第28届中国气象学会年会——S7城市气象精细预报与服务[C];2011年

中国博士学位论文全文数据库 前1条

1 赵肖宇;基于EMD和EEMD的自适应光谱预处理方法及其应用研究[D];燕山大学;2015年

，

本文编号：1303783