全矢MEMD能量熵在轴承故障诊断中的应用

发布时间：2018-01-15 03:14

  本文关键词：全矢MEMD能量熵在轴承故障诊断中的应用　出处：《机械设计与制造》2017年06期 　论文类型：期刊论文

  更多相关文章： 故障诊断 MEMD 全矢能量熵 支持向量机

【摘要】：故障轴承振动信号具有非线性和非平稳性的特点,在轴承发生故障时其信号的能量在频域上的分布会发生改变。针对单通道信号存在的信息遗漏和经典EMD算法在分解多通道信号时得到的IMF分量个数不同的问题,提出了全矢MEMD能量熵的滚动轴承智能诊断方法。首先利用MEMD算法将一组预处理后的同源信号分解为两组具有相同分量个数的IMF分量,且对应阶分量的频率尺度相同。然后分别计算相同尺度分量的全矢能量熵,并作为信号特征用支持向量机进行训练和识别,从而得到轴承的不同故障类型。实例分析结果表明了该方法的有效性。
[Abstract]:The vibration signal of fault bearing has the characteristics of nonlinearity and nonstationarity. The distribution of signal energy in frequency domain will change when the bearing fails. The number of IMF components obtained by classical EMD algorithm is different from that of single channel signal. The question. An intelligent diagnosis method of rolling bearing based on full vector MEMD energy entropy is proposed. Firstly, a group of preprocessed homologous signals are decomposed into two groups of IMF components with the same number of components using MEMD algorithm. And the frequency scale of the corresponding order component is the same. Then the full vector energy entropy of the same scale component is calculated, and the support vector machine is used as the signal feature to train and recognize. The results show that the method is effective.
【作者单位】： 郑州大学振动工程研究所;
【分类号】：TH133.3
【正文快照】： 1引言轴承是机械设备关键部件之一。轴承的运行状态往往直接决定了设备是否能够正常工作。要想解决轴承的故障问题我们首先需要知道轴承故障时属于哪一类型,因此我们有必要做有关于轴承故障分类的研究。轴承振动信号具有非线性和非平稳性的特点,在轴承发生故障时其信号的能量

【相似文献】

相关期刊论文 前10条

1 苟永明;测试与故障诊断技术研讨会举行[J];冶金自动化;2004年04期

2 ;北京盛迪振通科技有限公司举办状态监测与故障诊断培训班[J];中国设备工程;2004年08期

3 马良荔;刘永葆;汪丽华;;基于库所有色Petri网的故障诊断算法研究[J];计算机应用研究;2012年03期

4 平静;;机器设备的故障诊断[J];电工技术;1989年12期

5 闫兵，谭达明;故障诊断中的灰色关联度分析[J];振动.测试与诊断;1994年03期

6 张清华;邵龙秋;李红芳;朱月君;;基于无量纲指标的旋转机械并发故障诊断技术[J];华中科技大学学报(自然科学版);2009年S1期

7 刘亚娟;王致杰;;旋转机械系统故障诊断方法综述[J];苏州市职业大学学报;2010年02期

8 陈晓宗;;离心泵的故障诊断方法及故障评定[J];科技与企业;2012年17期

9 张瑞林;机械设备的信息处理与故障诊断[J];机械工程;1985年05期

10 乔文刚;液压系统故障诊断的实用方法探析[J];液压与气动;1999年01期

相关会议论文 前10条

1 段志善;东亚斌;;灰色故障诊断方法及其发展的思考[A];振动利用技术的若干研究与进展——第二届全国“振动利用工程”学术会议论文集[C];2003年

2 张庆虎;高普云;;基于非线性动力学理论的故障诊断方法与进展[A];第18届全国结构工程学术会议论文集第Ⅲ册[C];2009年

3 赵剑伟;赵江;郭志新;;基于多传感器信息融合的故障诊断方法[A];2007'仪表，，自动化及先进集成技术大会论文集（一）[C];2007年

4 陈宏;巩晓峗;王丽雅;雷文平;;全矢谱技术在旋转机械不对中故障诊断中的应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

5 娄国焕;周媛;;基于模糊理论的故障诊断方法研究[A];2009年中国智能自动化会议论文集（第一分册）[C];2009年

6 吴志洪;袁卫东;姜静;;油质—故障诊断中的重要因素[A];中国机械工程学会摩擦学分会润滑技术专业委员会第九届（温州）学术年会论文集[C];2004年

7 马建杰;;状态监测、故障诊断技术应用于检修的实践与总结[A];河北冶金学会2013年度空分专业学术交流会论文集[C];2013年

8 程宇;王武;崔福军;杨富文;;基于模型的故障诊断方法研究综述[A];第二十七届中国控制会议论文集[C];2008年

9 应怀樵;;对我国尽快建立“云智慧实验室与云智慧故障诊断中心”的建议[A];现代振动与噪声技术（第九卷）[C];2011年

10 姚晓燕;;状态监测及故障诊断技术在转动设备应用实例浅析[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

相关重要报纸文章 前2条

1 武汉科技学院纺织服装学院 林子务;故障诊断中的数学概念[N];中国纺织报;2004年

2 钱宇 李秀喜;先进技术为化工安全保驾护航[N];中国化工报;2005年

相关博士学位论文 前10条

1 胡友强;数据驱动的多元统计故障诊断及应用[D];重庆大学;2010年

2 高保禄;大型复杂机电设备分布式故障诊断方法研究[D];太原理工大学;2010年

3 曹玉苹;基于状态估计的石化过程故障诊断与预报方法研究[D];中国石油大学;2010年

4 李盘靖;远程协同故障诊断关键技术及其应用研究[D];西北工业大学;2006年

5 侯俊剑;基于声像模式识别的故障诊断机理研究[D];上海交通大学;2011年

6 邓学欣;开放式故障诊断构架及动态测试分析方法研究[D];天津大学;2004年

7 田玉玲;多层免疫模型及其在故障诊断中的应用研究[D];太原理工大学;2009年

8 韩光臣;复杂机电装备故障诊断关键技术研究[D];西北工业大学;2006年

9 李敏;复杂机械基于数据的建模与故障诊断[D];太原理工大学;2010年

10 雷亚国;混合智能技术及其在故障诊断中的应用研究[D];西安交通大学;2007年

相关硕士学位论文 前10条

1 马昂;基于改进LCD的WVD算法及其在故障诊断中应用的试验研究[D];燕山大学;2015年

2 张帅;车载嵌入式智能故障诊断终端的研究与设计[D];昆明理工大学;2015年

3 陈超;旋转机械状态趋势预测及故障诊断专家系统关键技术研究[D];郑州大学;2015年

4 郭艳均;智能倒频谱及其在故障诊断中的应用研究[D];郑州大学;2015年

5 楚晓艳;基于HSMM的齿轮故障诊断方法研究[D];重庆交通大学;2015年

6 付士鹏;基于LabVIEW的旋转机械振动监测与故障诊断的研究[D];华北电力大学;2015年

7 孙云;基于模型的梁和框架结构故障定量诊断研究[D];东北大学;2014年

8 张菲;基于LMD和HSMM的旋转机械故障诊断方法研究[D];西南交通大学;2016年

9 朱军;滚动轴承非平稳信号故障诊断若干方法研究[D];中国科学技术大学;2016年

10 师东阳;面向数字化设计制造集成技术的故障诊断产业信息资源协同研究[D];南昌航空大学;2016年

本文编号：1426533