本文關鍵詞： 滾動軸承 多尺度熵 參數(shù)優(yōu)化 退化趨勢預測 極限學習機　出處：《中國機械工程》2017年20期 　論文類型：期刊論文

【摘要】：針對軸承振動信號隨機噪聲干擾大、多尺度熵表征軸承退化趨勢偏差大的問題,提出了一種基于二元多尺度熵的滾動軸承退化趨勢預測方法。首先對滾動軸承振動信號進行局部特征尺度分解,采用多元多尺度熵理論對二階信號進行計算,提取了二元多尺度熵特征。然后采用互信息法和假近鄰法對算法中的嵌入維數(shù)和延遲向量等參數(shù)進行了優(yōu)化。最后采用極限學習機預測模型對二元多尺度熵退化趨勢曲線進行預測,并對比了不同激活函數(shù)的預測性能。結果表明,相對于傳統(tǒng)多尺度熵,二元多尺度熵偏差較小;激活函數(shù)為sigmoid時極限學習機模型預測精確度較高。
[Abstract]:In order to solve the problem that the random noise disturbance of bearing vibration signal is large and the multi-scale entropy is used to characterize the large deviation of bearing degradation trend. A prediction method of rolling bearing degradation trend based on binary multi-scale entropy is proposed. Firstly, the vibration signal of rolling bearing is decomposed with local characteristic scale, and the second-order signal is calculated by multivariate multi-scale entropy theory. The binary multi-scale entropy feature is extracted, and the embedding dimension and delay vector in the algorithm are optimized by mutual information method and pseudo-nearest neighbor method. Finally, the prediction model of extreme learning machine is used to degenerate the binary multi-scale entropy. Forecast the trend curve. The prediction performance of different activation functions is compared. The results show that the deviation of binary multi-scale entropy is smaller than that of traditional multi-scale entropy. When the activation function is sigmoid, the prediction accuracy of LLM model is high.
【作者單位】： 陸軍工程大學石家莊校區(qū)導彈工程系;陸軍工程大學科研學術處;
【基金】：國家自然科學基金資助項目(51541506)
【分類號】：TH133.33
【正文快照】： 0引言在旋轉(zhuǎn)機械系統(tǒng)狀態(tài)檢修、故障預測與健康管理領域,滾動軸承性能退化評估和剩余使用壽命預測是研究的熱點與難點,該研究內(nèi)容的關鍵在于退化特征提取[1]。在故障模式識別研究中,故障特征僅需區(qū)分不同故障差異即可,而滾動軸承退化趨勢預測和性能退化評估均要求退化特征對滾

【相似文獻】

相關期刊論文 前2條

1 張龍;黃文藝;熊國良;;基于多尺度熵的滾動軸承故障程度評估[J];振動與沖擊;2014年09期

2 鄭近德;程軍圣;胡思宇;;多尺度熵在轉(zhuǎn)子故障診斷中的應用[J];振動.測試與診斷;2013年02期

相關碩士學位論文 前3條

1 高中華;基于經(jīng)驗模態(tài)分解和多尺度熵的滾動軸承故障診斷研究[D];長春工業(yè)大學;2016年

2 董克巖;改進的多尺度熵及在旋轉(zhuǎn)機械故障特征提取與診斷中的應用[D];燕山大學;2016年

3 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：1482854