CEEMDAN结合排列熵在滚动轴承故障特征分析中的应用

论文摘要

提出了一种新的信号分类识别的方法,首先将信号进行CEEMDAN分解得到多个固有模态分量,对每个分量求排列熵值。通过大量的数据对比分析,选择出在不同工况下,排列熵值差异最大的几阶模态分量,然后将这几组排列熵值组成特征向量,利用RBF人工神经网络实现对信号的分类识别。最后通过数据验证,比较了三种不同的分类识别方法,证明了新方法的有效性。

论文目录

• 0 引言
• 1 EEMD与CEEMDAN
• 2 排列熵
•   2.1 排列熵原理
•   2.2 几组典型信号的排列熵值
• 3 振动筛轴承故障信号分析
•   3.1 实验方案
•   3.2 信号处理流程
•   3.3 信号的CEEMDAN分解及排列熵特征值
•   3.4 RBF人工神经网络的工况识别
• 4 结语

文章来源

类型: 期刊论文

作者: 朱敏,段志善,郭保良

关键词: 经验模态分解,排列熵,模态分量,滚动轴承,人工神经网络

来源: 现代制造工程 2019年04期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 机械工业

单位: 西安建筑科技大学机电工程学院

基金: 国家自然科学基金青年科学基金项目(51105292),教育部博士点基金项目(20126120110009),陕西省科技攻关项目(2013K07-09),陕西省教育厅专项基金项目(2013JK1032)

分类号: TH133.33

DOI: 10.16731/j.cnki.1671-3133.2019.04.027

页码: 151-154+74

总页数: 5

文件大小: 287K

下载量: 151