文献类型：期刊文章

作　　者：向丹[1,2] 葛爽[2]

机构地区：[1]广东技术师范学院自动化学院,广州510635 [2]华南理工大学机械与汽车工程学院,广州510640

出　　处：《航空动力学报》

基　　金：广东高校优秀青年创新人才培养计划项目(2013LYM_0052);广东优秀青年教师培养计划(Yq2013110)

年　　份：2014

卷　　号：29

期　　号：7

起止页码：1535-1542

语　　种：中文

收录情况：AJ、BDHX、BDHX2011、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2013_2014、EI(收录号：20143218042377)、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对振动信号的非线性、非平稳性以及微弱故障特征难以提取的问题,提出了一种基于经验模态分解(EMD)、样本熵和流形学习的故障特征提取方法.该方法将EMD、样本熵和流形学习相结合.首先,利用EMD的自适应多分辨率的特点计算分解得到的IMF(固有模态函数)信号的样本熵,初步提取滚动轴承状态特征值;然后利用流形学习方法对初步的提取的滚动轴承状态特征进行进一步的提取;最后利用支持向量机(SVM)对该特征提取方法进行分类评估,并将该方法运用在滚动轴承故障诊断实验中,实验证明该特征提取方法与基于小波包样本熵的故障诊断方法相比具有很好的聚类性能,且对于SVM的分类结果可达100%,在降低了特征数据的复杂度的同时,增强了故障模式识别的分类性能,具有一定的优越性.

关 键 词：经验模态分解 样本熵  流形学习 特征提取 支持向量机

分 类 号：V263.6] TH165.3]