基于极点对称模态分解和概率神经网络的轴承故障诊断

• 作者: 姜万录 姜安琦 宿新爽 张淑清 徐剑涛 李军锋
• 来源期刊: 中国机械工程
• 学科: 工学
• 关键词: 滚动轴承 极点对称模态分解 概率神经网络 故障诊断
• 年，卷（期）: 2017,（4）
• 所属期刊栏目: 信息技术
• 页码范围: 425-431
• 页数: 7页
• 分类号: TH17
• 字数: 4013字
• 语种: 中文
• DOI: 10.3969/j.issn.1004-132X.2017.04.009

摘要

针对复杂非线性的滚动轴承系统,提出了极点对称模态分解(ESMD)和概率神经网络(PNN)相结合的滚动轴承故障诊断方法.ESMD将固有模态函数的定义进行扩充,采用内部极点对称直接插值的方法替代外部包络线插值,引入最优的自适应全局曲线(AGM)的概念优化分解的趋势线,并由此确定最佳的模态分解次数.PNN是一种基于核函数逼近的神经网络分类器,将指数函数引入神经网络用来替代S型激活函数并进行重新构造,突出体现了梯度最速下降法的概念,减少实际和预测的输出函数之间的误差.通过对经验模态分解(EMD)、屏蔽经验模态分解(MEMD)和ESMD方法进行信号仿真分解对比,以及采用ESMD和PNN对故障数据进行处理,结果表明,该方法能够更加有效地对故障信号进行识别.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	姜万录	燕山大学机械工程学院	138	1777	24.0	35.0
2	张淑清	燕山大学电气工程学院	81	1525	21.0	36.0
3	姜安琦	中南大学信息工程学院	4	82	4.0	4.0
4	宿新爽	燕山大学电气工程学院	5	63	3.0	5.0
5	徐剑涛	燕山大学电气工程学院	4	47	4.0	4.0
6	李军锋	燕山大学电气工程学院	4	57	3.0	4.0