典型文献
基于VMD-IMDE-PNN的滚动轴承故障诊断方法
文献摘要：
为了提高滚动轴承故障诊断的准确性,提出一种变分模态分解(Variational Mode Decomposition,VMD)、改进粗粒化多尺度散布熵(Improved Coarse-grained Multi-scale Dispersion Entropy,IMDE)和概率神经网络(Probabilistic Neural Network,PNN)相结合的滚动轴承故障诊断方法.首先对振动信号进行VMD处理,根据互相关系数准则筛选最佳模态分量,突显振动信号的故障特性;然后针对多尺度散布熵(Multi-scale Dispersion Entropy,MDE)不稳定的缺点,对MDE的粗粒化过程进行改进,提出IMDE的非线性分析方法.模拟信号分析结果表明,相比于MDE方法,IMDE方法降低了熵值波动,提高了熵值稳定性.将两种方法运用于实际滚动轴承实验数据,发现相比于MDE,IMDE熵值曲线更平滑稳定,不同滚动轴承状态下的IMDE熵值曲线区分更加明显.最后采用PNN对提取的特征进行识别,与MPE-PNN,MDE-PNN以及VMD-MDE-PNN方法相比,所提的VMD-IMDE-PNN方法能精确地识别滚动轴承的故障类型,且识别率更高.
文献关键词：
故障诊断;变分模态分解;改进粗粒化多尺度散布熵;概率神经网络;滚动轴承
中图分类号：
作者姓名：
刘备;蔡剑华;彭梓齐
作者机构：
湖南文理学院 数理学院,湖南 常德 415000
文献出处：
引用格式：
[1]刘备;蔡剑华;彭梓齐-.基于VMD-IMDE-PNN的滚动轴承故障诊断方法)[J].噪声与振动控制,2022(05):96-101,133
A类：
IMDE,改进粗粒化多尺度散布熵
B类：
VMD,PNN,滚动轴承故障诊断,故障诊断方法,变分模态分解,Variational,Mode,Decomposition,Improved,Coarse,grained,Multi,scale,Dispersion,Entropy,概率神经网络,Probabilistic,Neural,Network,振动信号,互相关系数,模态分量,故障特性,非线性分析,模拟信号,信号分析,方法运用,MPE,故障类型,识别率
AB值：
0.206207
相似文献
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。
