發(fā)布時間：2018-01-13 04:09

  本文關鍵詞：基于LCD互近似熵和相關向量機的軸承故障診斷方法　出處：《機械傳動》2017年11期 　論文類型：期刊論文

  更多相關文章： 局部特征尺度分解 互近似熵 相關向量機 故障診斷 滾動軸承

【摘要】：針對滾動軸承的故障診斷問題,提出了基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)互近似熵(Cross Approximate Entropy,CAE)和相關向量機(Relevance Vector Machine,RVM)的滾動軸承故障診斷方法。該方法首先利用LCD將軸承振動信號分解成若干個具有不同頻率成分的內(nèi)稟尺度分量(Intrinsic Scale Component,ISC);然后通過能量篩選出包含主要故障信息的ISC分量,計算其CAE并作為故障特征向量以體現(xiàn)不同的運行狀態(tài);最后將故障特征輸入RVM進行故障識別。滾動軸承不同類別和不同損失程度故障實驗驗證了該方法的有效性。
[Abstract]:To solve the problem of fault diagnosis of rolling bearing, the local characteristic scale (Local Characteristic-scale Decomposition, based on the decomposition of LCD (Cross Approximate) cross approximate entropy Entropy, CAE) and relevance vector machine (Relevance Vector Machine, RVM) of the rolling bearing fault diagnosis method using the method of LCD bearing vibration signal is decomposed into several intrinsic scale components with different frequency components (Intrinsic, Scale Component, ISC); and then the energy selected ISC component containing main fault information, and calculate the CAE as the fault feature vector to reflect the different operating conditions; finally the fault feature input RVM for fault recognition. Different categories and different degree of loss fault experiment rolling bearing to verify the effectiveness of the method.

【作者單位】： 鄭州旅游職業(yè)學院信息工程系;鄭州旅游職業(yè)學院成人教育學院;駐江津地區(qū)軍代室;
【分類號】：TH133.33
【正文快照】： 0引言在滾動軸承的故障診斷中,故障特征提取和故障識別是兩個重要的環(huán)節(jié),但如何從具有非線性、非平穩(wěn)性振動信號中提取有效的故障特征、采用何種有效的故障識別方法,是很多學者一直在研究的問題[1-3]。局部特征尺度分解[4]216-220(LCD)能夠將復雜的多分量信號分解成一系列單分

【相似文獻】

相關期刊論文 前5條

1 徐光華;趙國強;印建安;姜闊勝;張虎;陶唐飛;;基于位移信號和近似熵的軸承加工質量動態(tài)檢測技術[J];工業(yè)儀表與自動化裝置;2014年03期

2 胡紅英;馬孝江;;局域波近似熵及其在機械故障診斷中的應用[J];振動與沖擊;2006年04期

3 焦海鋒;;基于小波—近似熵在風機故障診斷中的應用研究[J];電站系統(tǒng)工程;2007年04期

4 呂勇;徐金梧;李友榮;;遞歸圖和近似熵在設備故障信號復雜度分析中的應用[J];機械強度;2006年03期

5 戴桂平;;基于EMD近似熵和LS-SVM的機械故障智能診斷[J];機械強度;2011年02期

相關博士學位論文 前2條

1 李永波;滾動軸承故障特征提取與早期診斷方法研究[D];哈爾濱工業(yè)大學;2017年

2 王曉龍;基于振動信號處理的滾動軸承故障診斷方法研究[D];華北電力大學(北京);2017年

相關碩士學位論文 前2條

1 馬艷麗;基于全矢MEMD的滾動軸承狀態(tài)退化研究[D];鄭州大學;2017年

2 金兵;基于信息融合與VPMCD的滾動軸承智能診斷研究[D];鄭州大學;2017年

，

本文編號：1417378