文献类型：期刊文章

作　　者：李奕江[1] 张金萍[1] 李允公[2]

LI Yijiang;ZHANG Jinping;LI Yungong(School of Mechanical Engineering,Shenyang University of Chemical Technology-,Shenyang 110142,China;School of Mechanical Engineering and Automation,Northeastern University,Shenyang 110004,China)

机构地区：[1]沈阳化工大学机械工程学院,沈阳110142 [2]东北大学机械工程与自动化学院,沈阳110004

出　　处：《振动与冲击》

基　　金：国家自然科学基金(51275080)

年　　份：2018

卷　　号：37

期　　号：21

起止页码：61-67

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：根据变分模态分解(VMD)在信号处理上的良好特性与隐马尔可夫模型(HMM)在时间序列上的分类能力,提出了一种基于VMD分解与HMM模型相结合的滚动轴承磨损状态识别方法。该方法利用VMD对轴承各个磨损时期信号进行分解,进而计算VMD分解后各IMF的能量熵,依次提取轴承振动信号的各层IMF能量熵构成特征向量序列,每种状态随机选取20组(共80组)输入HMM模型训练,剩余的特征向量序列进行测试,通过对比对数似然概率值来判别磨损状态。实验结果表明该方法能够准确分辨出轴承的磨损状态,与EMD-HMM、谐波小波样本熵HMM模型进行了对比,验证了该方法具有识别性高准确性强的优点。

关 键 词：滚动轴承 故障诊断 隐马尔可夫模型(HMM)  变分模态分解(VMD)  

分 类 号：TH133.33]