EWT-MFE与t-SNE结合的旋转机械故障诊断方法

论文摘要

为提取出辨识度高的故障数据集,将经验小波变换（empirical wavelet transform,EWT）、多尺度模糊熵（multi-scale fuzzy entropy,MFE）以及t-分布随机邻域嵌入算法（t-distributed stochastic neighbor embedding,t-SNE）进行结合,提出一种能够有效识别旋转机械故障状态的分析方法。首先,将旋转机械的振动信号进行经验小波变换,以提取具有紧支撑傅立叶频谱的调幅-调频（AM-FM）成分,选择相关系数较大的AM-FM进行信号重构;然后,计算出重构信号的多尺度模糊熵并组成能表征故障状态的高维特征集,利用t-SNE对高维特征信息进行维数约简,剔除冗余不相关特征;最后,将约简后的敏感故障数据集输入到支持向量机（support vector machin,SVM）中,在SVM核函数参数进行粒子群算法优化的基础上进行状态识别及分类。用双跨转子实验台采集的数据对上述方法进行验证,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更精确的故障识别率。

论文目录

• 1 基本原理
•   1.1 经验小波变换
•   1.2 模糊熵
•   1.3 多尺度模糊熵
•   1.4 t-分布随机邻域嵌入算法（t-SNE）
•     （1）构建高维空间中的概率分布
•     （2）构建低维空间中的概率分布
•     （3）计算低维嵌入
• 2 方法设计
• 3 应用与分析
•   3.1 实验数据及参数设置
•   3.2 实验结果与分析
•     （1）本研究方法分类效果分析
•     （2） 验证算法的分离效果
• 4 结 论

文章来源

类型: 期刊论文

作者: 薛瑞,赵荣珍

关键词: 经验小波变换,多尺度模糊熵,分布随机近邻嵌入算法,支持向量机

来源: 机械设计与研究 2019年04期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 机械工业,计算机软件及计算机应用

单位: 兰州理工大学机电工程学院

基金: 国家自然科学基金资助项目(51675253)

分类号: TH17;TP301.6

DOI: 10.13952/j.cnki.jofmdr.2019.0230

页码: 53-57+63

总页数: 6

文件大小: 1528K

下载量: 157