改进经验模态分解的电机轴承特征提取方法

发布时间：2022-10-05 17:34

　　滚动轴承是电机的重要组成部分,也是出现故障较多的部位,对电机轴承进行特征提取方法研究对于其故障诊断具有重要的意义。首先,介绍了排列熵及其改进算法,并应用于电机轴承故障检测;其次,针对经验模态分解（Empirical Mode Decomposition, EMD）的端点效应和模态混叠问题,提出了极值点对称延拓加聚合经验模态分解以及解相关算法和改进排列熵算法的混合算法（Modified Empirical Mode Decomposition, MEMD）,并应用于电机轴承故障特征提取;最后,利用概率神经网络（Probabilistic Neural Network, PNN）对电机轴承故障特征进行了分类。结果表明,利用改进后的经验模态分解算法进行特征提取,可以明显提高故障分类的准确率。 

【文章页数】：10 页

【参考文献】：
期刊论文
[1]双谱估计结合EEMD的齿轮故障特征提取[J]. 吕宏强,武志斐,王铁,谷丰收.  机械设计与制造. 2018(02)
[2]采用改进互补集总经验模态分解的电能质量扰动检测方法[J]. 吴新忠,邢强,陈明,成江洋,杨春雨.  浙江大学学报(工学版). 2017(09)
[3]解相关EMD:消除模态混叠的新方法[J]. 肖瑛,殷福亮.  振动与冲击. 2015(04)
[4]基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断[J]. 窦东阳,李丽娟,赵英凯.  东南大学学报(自然科学版). 2011(S1)
[5]抑制经验模分解边缘效应的极值点对称延拓法[J]. 舒忠平,杨智春.  西北工业大学学报. 2006(05)



本文编号：3686207