典型文献
基于参数优化VMD和样本熵的滚动轴承故障诊断
文献摘要：
针对滚动轴承故障特征提取不丰富而导致的诊断识别率低的情况,提出了基于参数优化变分模态分解(Vari-ational mode decomposition,VMD)和样本熵的特征提取方法,采用支持向量机(Support vector machine,SVM)进行故障识别.VMD方法的分解效果受限于分解个数和惩罚因子的选取,本文分析了这两个影响参数选取的不规律性,采用遗传变异粒子群算法进行参数优化,利用参数优化的VMD方法处理故障信号.样本熵在衡量滚动轴承振动信号的复杂度时,得到的熵值并不总是和信号的复杂度相关,故结合滚动轴承的故障机理,提出基于滚动轴承故障机理的样本熵,此样本熵衡量振动信号的复杂度与机理分析的结果一致.仿真实验表明,利用本文提出的特征提取方法,滚动轴承的故障诊断准确率有明显的提高.
文献关键词：
变分模态分解;参数优化;遗传变异粒子群;样本熵;故障诊断
中图分类号：
作者姓名：
刘建昌;权贺;于霞;何侃;李镇华
作者机构：
东北大学信息科学与工程学院 沈阳110819;华为技术有限公司杭州研究所 杭州310007
文献出处：
引用格式：
[1]刘建昌;权贺;于霞;何侃;李镇华-.基于参数优化VMD和样本熵的滚动轴承故障诊断)[J].自动化学报,2022(03):808-819
A类：
遗传变异粒子群
B类：
VMD,样本熵,滚动轴承故障诊断,轴承故障特征提取,诊断识别,识别率,变分模态分解,Vari,ational,mode,decomposition,Support,vector,machine,故障识别,受限于,惩罚因子,影响参数,参数选取,粒子群算法,故障信号,滚动轴承振动信号,故障机理,机理分析,故障诊断准确率
AB值：
0.252165
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。
