文献类型：期刊文章

作　　者：范春旸[1,2] 吴守鹏[1,2] 刘晓文[1,2] 俞啸[1,2,3]

FAN Chun-yang;WU Shou-peng;LIU Xiao-wen;YU Xiao(IOT Perception Mine Research Center,China University of Mining and Technology,Jiangsu Xuzhou 221008,China;School of Information and Control Engineering,China University of Mining and Technology,Jiangsu Xuzhou 221008;School of Medicine Information,Xuzhou Medical University,Jiangsu Xuzhou 221009,China)

机构地区：[1]中国矿业大学物联网(感知矿山)研究中心,江苏徐州221008 [2]中国矿业大学信息与控制工程学院,江苏徐州221008 [3]徐州医科大学医学信息学院,江苏徐州221009

出　　处：《机械设计与制造》

基　　金：国家重点研发计划—矿山安全生产物联网关键技术与装备研发(2017YFC0804400,2017YFC0804401);国家重点基础研究发展计划(973)—深部危险煤层无人采掘装备关键基础研究(2014CB046300)。

年　　份：2020

期　　号：10

起止页码：59-63

语　　种：中文

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

摘　　要：为实现滚动轴承故障特征分析,提出了一种基于小波包变换(Wavelet Packet Transform,WPT)结合随机森林(Random Forests,RF)的滚动轴承故障分析模型。首先,采用小波包变换对振动信号进行分解,对终端节点进行重构,再计算重构信号及其希尔伯特边际谱的11种统计参数,得到统计特征,构建原始特征集;针对原始特征集中存在的冗余和干扰特征,提出一种基于平均精确率减少的特征选择方法(Features Selection base on Mean Decrease Accuracy,FSMDA),标记特征对轴承故障的重要度,选取重要度高的统计特征用于故障状态识别;最后,利用随机森林实现滚动轴承故障特征分析与状态识别。采用12种轴承故障状态数据进行实验分析,实验结果表明FSMDA能够选择出对故障状态较为重要的特征,提高故障状态识别准确率,并且具有较好的适应性。

关 键 词：小波包变换 随机森林  特征选择  滚动轴承 故障诊断

分 类 号：TH16] TP391]