东南大学学报（自然科学版）
東南大學學報（自然科學版）
동남대학학보（자연과학판）
JOURNAL OF SOUTHEAST UNIVERSITY
2011年
z1期
107-111
,共5页
故障诊断%滚动轴承%集合经验模式分解%Renyi熵%主元分析%概率神经网络
故障診斷%滾動軸承%集閤經驗模式分解%Renyi熵%主元分析%概率神經網絡
고장진단%곤동축승%집합경험모식분해%Renyi적%주원분석%개솔신경망락
针对滚动轴承故障特征提取与状态监测问题,提出一种基于集合经验模式分解(EEMD)、Renyi熵、主元分析(PCA)和概率神经网络(PNN)的新方法.首先,将轴承振动信号通过EEMD分解成一组本征模态函数(IMF),计算每个IMF分量的Renyi熵值作为表征故障特征的向量,采用主元分析(PCA)对特征降维,提取主元输入概率神经网络进行故障分类.通过SKF6203轴承的正常、内圈点蚀、外圈点蚀和滚动体点蚀这4类状态的诊断实验验证了方法的有效性,诊断正确率为91.7％.
針對滾動軸承故障特徵提取與狀態鑑測問題,提齣一種基于集閤經驗模式分解(EEMD)、Renyi熵、主元分析(PCA)和概率神經網絡(PNN)的新方法.首先,將軸承振動信號通過EEMD分解成一組本徵模態函數(IMF),計算每箇IMF分量的Renyi熵值作為錶徵故障特徵的嚮量,採用主元分析(PCA)對特徵降維,提取主元輸入概率神經網絡進行故障分類.通過SKF6203軸承的正常、內圈點蝕、外圈點蝕和滾動體點蝕這4類狀態的診斷實驗驗證瞭方法的有效性,診斷正確率為91.7％.
침대곤동축승고장특정제취여상태감측문제,제출일충기우집합경험모식분해(EEMD)、Renyi적、주원분석(PCA)화개솔신경망락(PNN)적신방법.수선,장축승진동신호통과EEMD분해성일조본정모태함수(IMF),계산매개IMF분량적Renyi적치작위표정고장특정적향량,채용주원분석(PCA)대특정강유,제취주원수입개솔신경망락진행고장분류.통과SKF6203축승적정상、내권점식、외권점식화곤동체점식저4류상태적진단실험험증료방법적유효성,진단정학솔위91.7％.
