文献类型：期刊文章

作　　者：彭成[1,2] 王松松[1] 贺婧[1] 李凤娟[1]

Peng Cheng;Wang Songsong;He Jing;Li Fengjuan(School of Computer Science,Hunan University of Technology,Zhuzhou Hunan 412007,China;School of Automation,Central South University,Changsha 410083,China)

机构地区：[1]湖南工业大学计算机学院,湖南株洲412007 [2]中南大学自动化学院,长沙410083

出　　处：《计算机应用研究》

基　　金：国家自然科学基金资助项目(61871432,61771492);湖南省自然科学基金资助项目(2020JJ4275,2019JJ6008,2019JJ60054);湖南省研究生创新计划资助项目(CX20190847)。

年　　份：2021

卷　　号：38

期　　号：1

起止页码：101-105

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：针对不同工况下数据特征选择困难和单一分类器在滚动轴承故障诊断中识别率较低等问题,提出了一种基于离散小波变换和随机森林相结合的滚动轴承故障诊断方法。该方法首先利用离散小波变换分解振动信号,得到n层近似系数;然后创新性地采用sigmoid熵构造出n维特征向量,sigmoid熵能较好地提取非平稳信号的特征,提高诊断准确率;最后采用随机森林对滚动轴承不同故障信号进行分类。实验采用西储凯斯大学轴承数据中心网站提供的轴承数据,与传统分类器(KNN和SVM)以及单个分类回归树CART进行对比分析,结果表明该方法具有更好的诊断效果。

关 键 词：滚动轴承 故障诊断 离散小波变换 随机森林  sigmoid熵  

分 类 号：TP183] TH17]