典型文献
基于均值Gnome熵和神经网络的轴承故障诊断
文献摘要：
针对Gnome熵(gnome entropy,GEn)作为特征值的轴承故障分类精度不高的问题,提出均值Gnome熵(average gnome entropy,AGEn)的方法,有效解决GEn的负值和高维情况下熵值衰减等问题,并提高轴承故障分类的准确度.GEn的出现有效解决了传统的熵对滚动轴承故障诊断都有着参数选择的问题,AGEn继承了GEn这一特性,并能在多维条件下保持熵值稳定.利用AGEn对振动信号的动态特征进行量化,得到特征集后,将特征集输入BP神经网络模型,可以对内圈、外圈和滚动体故障的滚动轴承进行故障识别.通过轴承故障诊断试验台轴承实验信号的成功应用,验证了该方法的有效性.
文献关键词：
滚动轴承;Gnome熵;故障诊断;故障分类;BP神经网络
中图分类号：
作者姓名：
朱熹;吕勇;袁锐;吴利锋
作者机构：
武汉科技大学冶金装备及其控制教育部重点实验室,武汉 430081;武汉科技大学机械传动与制造工程湖北省重点实验室,武汉 430081
文献出处：
引用格式：
[1]朱熹;吕勇;袁锐;吴利锋-.基于均值Gnome熵和神经网络的轴承故障诊断)[J].组合机床与自动化加工技术,2022(08):67-70,74
A类：
Gnome,gnome,GEn,AGEn
B类：
entropy,故障分类,分类精度,average,负值,高维,滚动轴承故障诊断,参数选择,振动信号,动态特征,征集,集输,内圈,外圈,滚动体,故障识别,诊断试验,试验台,成功应用
AB值：
0.201664
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。
