基于多尺度排列熵的滚动轴承故障特征提取

发布时间：2021-12-10 02:41

　　针对现有滚动轴承故障识别精度低的问题,存在冗杂信息较多和分解识别计算量大的问题,将集合经验模态分解（ensemble empirical mode decomposition,EEMD）与多尺度排列熵、邻域粗糙集（neighborhood rough set,NRS）进行结合提出一种针对轴承系统故障特征提取的方法。文章对传统的邻域粗糙集算法进行改进,将故障信号进行EEMD分解和多尺度排列熵计算后形成条件属性,从而建立故障识别决策表,然后利用邻域粗糙集对决策表进行属性约简消除冗余的属性。最后将约简后的敏感特征子集输入概率神经网络中进行模式识别。通过实验结果表明,该文提出的方法对滚动轴承故障特征提取以及对于故障的精确识别是十分有效的,能够减小计算量同时精确实现故障诊断。 

【文章来源】：组合机床与自动化加工技术. 2020,(08)北大核心

【文章页数】：6 页

【部分图文】：

高斯白噪声在不同延时时间的排列熵

本文采用的算法是在基于邻域粗糙集的前向贪心算法的基础上进行改进,详细步骤如下:与传统的前项贪心算法相比,改进算法注重点在于对重要度属性的筛选进行改良,从而实现对于计算量的减少,对于邻域半径的大小和实际应更贴近,在对故障数据进行约简的过程中更能准确的体现数据的本质。

在对滚动轴承进行故障诊断过程中获取敏感特征集,对冗杂特征信息进行挖掘、求精,是本文所关注的。基于此,本文采用多尺度排列熵与邻域粗糙集结合的方法对振动信号进行处理,最后将特征引入概率神经网络进行故障识别验证。故障特征提取流程如下:算法具体步骤如下:

【参考文献】：
期刊论文
[1]基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断[J]. 王红君,赵元路,赵辉,岳有军.  机械传动. 2019(01)
[2]排列熵优化改进变模态分解算法诊断齿轮箱故障[J]. 王志坚,常雪,王俊元,杜文华,段能全,党长营.  农业工程学报. 2018(23)
[3]基于邻域粗糙集与多核支持向量机的变压器多级故障诊断[J]. 李春茂,周妺末,刘亚婕,高波,吴广宁.  高电压技术. 2018(11)
[4]基于VMD共振稀疏分解的滚动轴承故障诊断[J]. 杨伟,王红军.  电子测量与仪器学报. 2018(09)
[5]EEMD-PE与M-RVM相结合的轴承故障诊断方法[J]. 刘晓东,刘朦月,陈寅生,朱文炜.  哈尔滨工业大学学报. 2017(09)
[6]基于振动信号能量熵的轴承故障诊断[J]. 任玉卿,王海瑞,齐磊,李荣远.  计算机应用与软件. 2017(09)
[7]邻域粗糙集与相关向量机相结合的变压器故障综合诊断模型[J]. 陈嘉霖,段家华,张明宇.  电力系统及其自动化学报. 2016(11)
[8]基于IMF能量矩和HSMM模型的滚动轴承故障诊断方法[J]. 张敏,崔海龙,陈曦晖,程刚.  组合机床与自动化加工技术. 2015(10)
[9]基于EEMD形态谱和KFCM聚类集成的滚动轴承故障诊断方法研究[J]. 郑直,姜万录,胡浩松,朱勇,李扬.  振动工程学报. 2015(02)
[10]基于经验模式分解和主元分析的滚动轴承故障诊断方法研究[J]. 徐卓飞,刘凯,张海燕,王丹,张明龙,吴欣阳.  振动与冲击. 2014(23)



本文编号：3531759