基于CEEMD能量熵与极限学习机的滚动轴承故障诊断方法 |
| |
作者姓名: | 毛美姣 肖文强 陈小告 王建涛 王立超 |
| |
作者单位: | 1. 湘潭大学机械工程与力学学院;2. 湘潭大学复杂轨迹加工工艺及装备教育部工程研究中心;3. 中国铁道科学研究院机车车辆研究所 |
| |
基金项目: | 湖南省自然科学基金省市联合基金项目(2021JJ50125,2022JJ50133); |
| |
摘 要: | 鉴于滚动轴承振动信号具有非线性、非平稳的特点以及难以获得大量典型故障样本的现实情况,提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)与极限学习机(extreme learning machines, ELM)相结合的滚动轴承故障诊断方法。采用CEEMD方法对滚动轴承非平稳的原始加速度振动信号进行分解,得到若干个平稳的本征模函数(intrinsic mode function, IMF)分量,计算不同状态下滚动轴承振动信号经CEEMD分解后各IMF分量的能量熵,从蕴含着主要故障信息的IMF分量中提取出能量特征,对其进行T分布随机近邻嵌入(T-stochastic neighbor embedding, Tsne)聚类可视化分析,观察特征对滚动轴承状态的反映情况,将特征作为输入建立极限学习机,判断滚动轴承的工作状态和故障类型。使用美国凯斯西储大学公开的人工损伤轴承数据进行仿真实验,对轴承得不同运行状态的识别准确率可以达到95%,明显高于多分类支持向量机、K近邻等方法,该结果表明,所提方法在...
|
关 键 词: | 滚动轴承 故障诊断 互补集合经验模态分解 能量熵 极限学习机 |
|
|