發(fā)布時(shí)間：2022-10-05 17:34

　　滾動(dòng)軸承是電機(jī)的重要組成部分,也是出現(xiàn)故障較多的部位,對(duì)電機(jī)軸承進(jìn)行特征提取方法研究對(duì)于其故障診斷具有重要的意義。首先,介紹了排列熵及其改進(jìn)算法,并應(yīng)用于電機(jī)軸承故障檢測(cè);其次,針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition, EMD）的端點(diǎn)效應(yīng)和模態(tài)混疊問題,提出了極值點(diǎn)對(duì)稱延拓加聚合經(jīng)驗(yàn)?zāi)B(tài)分解以及解相關(guān)算法和改進(jìn)排列熵算法的混合算法（Modified Empirical Mode Decomposition, MEMD）,并應(yīng)用于電機(jī)軸承故障特征提取;最后,利用概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network, PNN）對(duì)電機(jī)軸承故障特征進(jìn)行了分類。結(jié)果表明,利用改進(jìn)后的經(jīng)驗(yàn)?zāi)B(tài)分解算法進(jìn)行特征提取,可以明顯提高故障分類的準(zhǔn)確率。 

【文章頁數(shù)】：10 頁

【參考文獻(xiàn)】：
期刊論文
[1]雙譜估計(jì)結(jié)合EEMD的齒輪故障特征提取[J]. 呂宏強(qiáng),武志斐,王鐵,谷豐收.  機(jī)械設(shè)計(jì)與制造. 2018(02)
[2]采用改進(jìn)互補(bǔ)集總經(jīng)驗(yàn)?zāi)B(tài)分解的電能質(zhì)量擾動(dòng)檢測(cè)方法[J]. 吳新忠,邢強(qiáng),陳明,成江洋,楊春雨.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2017(09)
[3]解相關(guān)EMD:消除模態(tài)混疊的新方法[J]. 肖瑛,殷福亮.  振動(dòng)與沖擊. 2015(04)
[4]基于EEMD-Renyi熵和PCA-PNN的滾動(dòng)軸承故障診斷[J]. 竇東陽,李麗娟,趙英凱.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(S1)
[5]抑制經(jīng)驗(yàn)?zāi)７纸膺吘壭?yīng)的極值點(diǎn)對(duì)稱延拓法[J]. 舒忠平,楊智春.  西北工業(yè)大學(xué)學(xué)報(bào). 2006(05)



本文編號(hào)：3686207