針對現(xiàn)有滾動軸承故障識別精度低的問題,存在冗雜信息較多和分解識別計算量大的問題,將集合經(jīng)驗?zāi)B(tài)分解（ensemble empirical mode decomposition,EEMD）與多尺度排列熵、鄰域粗糙集（neighborhood rough set,NRS）進(jìn)行結(jié)合提出一種針對軸承系統(tǒng)故障特征提取的方法。文章對傳統(tǒng)的鄰域粗糙集算法進(jìn)行改進(jìn),將故障信號進(jìn)行EEMD分解和多尺度排列熵計算后形成條件屬性,從而建立故障識別決策表,然后利用鄰域粗糙集對決策表進(jìn)行屬性約簡消除冗余的屬性。最后將約簡后的敏感特征子集輸入概率神經(jīng)網(wǎng)絡(luò)中進(jìn)行模式識別。通過實(shí)驗結(jié)果表明,該文提出的方法對滾動軸承故障特征提取以及對于故障的精確識別是十分有效的,能夠減小計算量同時精確實(shí)現(xiàn)故障診斷。 

【文章來源】：組合機(jī)床與自動化加工技術(shù). 2020,(08)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

高斯白噪聲在不同延時時間的排列熵

本文采用的算法是在基于鄰域粗糙集的前向貪心算法的基礎(chǔ)上進(jìn)行改進(jìn),詳細(xì)步驟如下:與傳統(tǒng)的前項貪心算法相比,改進(jìn)算法注重點(diǎn)在于對重要度屬性的篩選進(jìn)行改良,從而實(shí)現(xiàn)對于計算量的減少,對于鄰域半徑的大小和實(shí)際應(yīng)更貼近,在對故障數(shù)據(jù)進(jìn)行約簡的過程中更能準(zhǔn)確的體現(xiàn)數(shù)據(jù)的本質(zhì)。

在對滾動軸承進(jìn)行故障診斷過程中獲取敏感特征集,對冗雜特征信息進(jìn)行挖掘、求精,是本文所關(guān)注的�；诖�,本文采用多尺度排列熵與鄰域粗糙集結(jié)合的方法對振動信號進(jìn)行處理,最后將特征引入概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識別驗證。故障特征提取流程如下:算法具體步驟如下:

【參考文獻(xiàn)】：
期刊論文
[1]基于EEMD小波閾值去噪和CS-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電齒輪箱故障診斷[J]. 王紅君,趙元路,趙輝,岳有軍.  機(jī)械傳動. 2019(01)
[2]排列熵優(yōu)化改進(jìn)變模態(tài)分解算法診斷齒輪箱故障[J]. 王志堅,常雪,王俊元,杜文華,段能全,黨長營.  農(nóng)業(yè)工程學(xué)報. 2018(23)
[3]基于鄰域粗糙集與多核支持向量機(jī)的變壓器多級故障診斷[J]. 李春茂,周妺末,劉亞婕,高波,吳廣寧.  高電壓技術(shù). 2018(11)
[4]基于VMD共振稀疏分解的滾動軸承故障診斷[J]. 楊偉,王紅軍.  電子測量與儀器學(xué)報. 2018(09)
[5]EEMD-PE與M-RVM相結(jié)合的軸承故障診斷方法[J]. 劉曉東,劉朦月,陳寅生,朱文煒.  哈爾濱工業(yè)大學(xué)學(xué)報. 2017(09)
[6]基于振動信號能量熵的軸承故障診斷[J]. 任玉卿,王海瑞,齊磊,李榮遠(yuǎn).  計算機(jī)應(yīng)用與軟件. 2017(09)
[7]鄰域粗糙集與相關(guān)向量機(jī)相結(jié)合的變壓器故障綜合診斷模型[J]. 陳嘉霖,段家華,張明宇.  電力系統(tǒng)及其自動化學(xué)報. 2016(11)
[8]基于IMF能量矩和HSMM模型的滾動軸承故障診斷方法[J]. 張敏,崔海龍,陳曦暉,程剛.  組合機(jī)床與自動化加工技術(shù). 2015(10)
[9]基于EEMD形態(tài)譜和KFCM聚類集成的滾動軸承故障診斷方法研究[J]. 鄭直,姜萬錄,胡浩松,朱勇,李揚(yáng).  振動工程學(xué)報. 2015(02)
[10]基于經(jīng)驗?zāi)Ｊ椒纸夂椭髟治龅臐L動軸承故障診斷方法研究[J]. 徐卓飛,劉凱,張海燕,王丹,張明龍,吳欣陽.  振動與沖擊. 2014(23)



本文編號：3531759