典型文献
基于自适应RCGmvMFE和流行学习的滚动轴承故障诊断
文献摘要：
多尺度模糊熵能够较好的量化振动信号的复杂程度,但缺乏对其他信道信息的有效利用,为了充分利用其他信道的振动信息,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中.为了准确提取轴承信号中的故障特征,提出了基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和精细复合广义多变量多尺度模糊熵(Refined Composite Generalized Multivariate Multiscale Fuzzy Entropy,RCGmvMFE)的轴承多故障诊断方法.首先利用CEEMDAN对多信道的源信号进行分解获得无模式混叠的IMF.然后采用相关性分析方法对IMF分量进行筛选,选出对故障特征敏感的IMF作为多通道数据构成多元变量,并计算其RCGmvMFE组成故障特征.随后采用t分布随机邻域嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)对高维特征进行维数约简.最后利用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化核极限学习机(Kernel Extreme Learning Machine,KELM)对低维故障特征进行分类.实验结果表明,该方法能够有效地诊断轴承不同程度的故障,为滚动轴承的故障诊断提供了补充方法.
文献关键词：
CEEMDAN;精细复合广义多变量多尺度模糊熵;敏感IMF;t分布随机邻域嵌入;流行学习;滚动轴承;故障诊断
中图分类号：
作者姓名：
刘武强;杨小强;申金星
作者机构：
陆军工程大学野战工程学院,南京210007
文献出处：
引用格式：
[1]刘武强;杨小强;申金星-.基于自适应RCGmvMFE和流行学习的滚动轴承故障诊断)[J].机械强度,2022(01):9-18
A类：
RCGmvMFE,流行学习,精细复合广义多变量多尺度模糊熵
B类：
滚动轴承故障诊断,振动信号,复杂程度,多通道,通道数,熵理论,理论应用,故障特征,自适应噪声完备集成经验模态分解,Complete,Ensemble,Empirical,Mode,Decomposition,Adaptive,Noise,CEEMDAN,Refined,Composite,Generalized,Multivariate,Multiscale,Fuzzy,Entropy,多故障诊断,故障诊断方法,多信道,源信号,IMF,多元变量,分布随机邻域嵌入,distributed,Stochastic,Neighbor,Embedding,SNE,高维特征,维数约简,鲸鱼优化算法,Whale,Optimization,Algorithm,WOA,核极限学习机,Kernel,Extreme,Learning,Machine,KELM,低维,断轴
AB值：
0.355063
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。
