文章详情
| 稿件标题： | 基于CEEMD能量熵与极限学习机的滚动轴承故障诊断方法 |
| 稿件作者： | 毛美姣1,2,肖文强1,2，陈小告1,2，王建涛1,2，王立超3 |
| DOI： | 10.11809/bqzbgcxb2023.08.040 |
| 科学编辑： | 邱明 博士（河南科技大学教授） |
| 栏目名称： | 机械制造与检测技术 |
| 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 |
| 文章摘要： | 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（Tstochastic 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，所提方法在处理滚动轴承故障诊断问题上效果良好。 |
| 稿件基金： | 湖南省自然科学基金省市联合基金项目（2021JJ50125,2022JJ50133） |
| 引用本文格式： | 毛美姣,肖文强，陈小告，等.基于CEEMD能量熵与极限学习机的滚动轴承故障诊断方法［J］.兵器装备工程学报，2023，44(8)：279-285. MAO Meijiao, XIAO Wenqiang, CHEN Xiaogao, et al.Rolling bearing fault diagnosis based on CEEMD energy entropy and extreme learning machines［J］.Journal of Ordnance Equipment Engineering，2023，44(8)：279-285. |
| 刊期名称： | 2023年08期 |
| 出版时间： | 2023年8月 |
| 上线时间： | 2023年8月28日 |
| 浏览次数： | 1365 |
| 下载次数： | 28 |
| 免费阅读PDF 在线阅读 下载本期目录 下载本期封面 | |