典型文献
基于EEMD特征提取的滚动轴承故障诊断
文献摘要：
针对滚动轴承故障振动信号非平稳性与非线性的特点,提出将集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数(intrinsic mode function,IMF)之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析(kernel principal component analysis,KPCA)中进行特征融合与特征提取;最后,将提取的特征作为支持向量机(support vector machine,SVM)的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.
文献关键词：
滚动轴承;集合经验模态分解;熵;峭度;支持向量机
中图分类号：
作者姓名：
高淑芝;李天池
作者机构：
沈阳化工大学 信息工程学院,辽宁 沈阳110142
文献出处：
引用格式：
[1]高淑芝;李天池-.基于EEMD特征提取的滚动轴承故障诊断)[J].沈阳化工大学学报,2022(02):151-159
A类：
B类：
EEMD,滚动轴承故障诊断,故障振动,振动信号,非平稳性,集合经验模态分解,ensemble,empirical,mode,decomposition,信号处理,知识应用,奇异,能量熵,峭度值,特征融合,若干个,本征模态函数,intrinsic,function,IMF,故障特征,求取,核主元分析,kernel,principal,component,analysis,KPCA,support,vector,machine,输入参数,故障分类,确有,工作状态
AB值：
0.282411
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。
