文献类型：期刊文章

作　　者：席茂松[1] 许昕[1] 潘宏侠[1,2] 赵璐[1] 刘燕军[3] 高俊峰[4]

XI Maosong;XU Xin;PAN Hongxia;无(School of Mechanical Engineering,North University of China,Taiyuan 030051,China;System Identification and Diagnosis Technology Research Institute,North University of China,Taiyuan 030024,China;Inner MongoliaNorth Heavy Industry Group Research Institute,Baotou Inner Mongolia 014033,China;Inner Mongolia First Machine Group Research Institute,Baotou Inner Mongolia 014032,China)

机构地区：[1]中北大学机械工程学院,太原030051 [2]中北大学系统辨识与诊断技术研究所,太原030051 [3]内蒙古北方重工集团研究院,内蒙古包头014033 [4]内蒙古一机集团科研所,内蒙古包头014032

出　　处：《机械设计与研究》

基　　金：国家自然科学基金资助项目(51675491);面上自然科学基金资助项目(201801D12115);山西省研究生创新项目(2019SY423)。

年　　份：2020

卷　　号：36

期　　号：4

起止页码：216-219

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD_E2019_2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：对于供输弹系统早期故障信息易被湮没难以识别的问题,提出了基于多尺度特征融合的早期故障识别方法。首先通过变分模态分解(VMD)对振动信号进行分解得到不同时间尺度的分量信号,然后对各分量信号分别提取盒维数、信息熵特征,并进一步通过主分量分析(PCA)对上述两种特征进行融合,得到累计贡献率的前3个主分量组成的融合特征,最后通过概率神经网络PNN分别对上述三种特征进行分类比较,结果表明融合后的特征对供输弹系统3种工况有更高的正判率,对供输弹系统早期故障预兆更敏感,能对供输弹系统早期故障作出有效诊断。

关 键 词：盒维数 信息熵 变分模态分解(VMD)  多尺度特征融合  

分 类 号：TH17]