典型文献
基于多尺度极差熵和专家森林的轴承故障诊断
文献摘要：
针对轴承故障的敏感特征提取与模式诊断问题,提出了一种基于多尺度极差熵的故障特征提取方法和基于专家森林算法的轴承故障识别方法.首先,介绍了轴承的3种故障模式和相应的故障特征频率,引入了多尺度理论,计算了轴承振动信号的多尺度极差熵,并将其作为特征向量;然后,研究了特征向量的主成分提取法,有效降低了特征向量维度,并提取出了高敏感特征;最后,在随机森林算法中,依据决策树预测试准确率为决策树赋予了专家权值属性,提出了专家森林算法,并将专家森林算法应用于轴承故障诊断实验中.研究结果表明:使用降维特征加随机森林的故障诊断准确率比降维前特征加随机森林的诊断准确率高了17.07％,降维特征加专家森林算法的故障诊断准确率比降维特征加随机森林高了3.47％;该结果也验证了多尺度极差熵特征提取方法与专家森林故障模式识别的有效性.
文献关键词：
滚动轴承;故障诊断;多尺度极差熵;专家森林算法;主成分分析;高敏感特征
中图分类号：
作者姓名：
张书锋;陈雪勤
作者机构：
苏州工业园区服务外包职业学院 信息工程学院,江苏 苏州215123;苏州大学 电子信息学院,江苏 苏州215006
文献出处：
引用格式：
[1]张书锋;陈雪勤-.基于多尺度极差熵和专家森林的轴承故障诊断)[J].机电工程,2022(01):47-52
A类：
多尺度极差熵,专家森林算法,高敏感特征
B类：
轴承故障诊断,诊断问题,故障特征提取,故障识别方法,故障特征频率,尺度理论,轴承振动,振动信号,特征向量,主成分提取,提取法,向量维度,随机森林算法,决策树,权值,算法应用,诊断实验,维特,故障诊断准确率,比降,熵特征,故障模式识别,滚动轴承
AB值：
0.207427
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
