基于近似熵和LCD-KELM的滚动轴承故障诊断

• 作者: 刘义亚 宿磊 李可
• 来源期刊: 噪声与振动控制
• 学科: 工学
• 关键词: 振动与波 故障诊断 故障信号提取 局部特征尺度分解 近似熵 核极限学习机
• 年，卷（期）: 2018,（2）
• 所属期刊栏目: 信号处理与故障诊断
• 页码范围: 162-167
• 页数: 6页
• 分类号: TH133.3|TP206+.3
• 字数: 4209字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-1355.2018.02.031

摘要

由于提取滚动轴承的非平稳非线性信号特征较为困难,强噪声背景下难以诊断早期故障,故而提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和核极限学习机(Kernel Extreme Learning Machine,KELM)的智能诊断方法(LCD_KELM).该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC并计算其近似熵值(Approximate Entropy,ApEn),使用KELM对随机选取的近似熵值进行训练,保存训练参数后,利用剩余的近似熵值进行测试,实验结果表明LCD_KELM具有较高的诊断准确率,能够对滚动轴承运行状态进行高精度诊断,从而判断滚动轴承的运转状况.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李可	江南大学江苏省食品先进制造装备技术重点实验室	24	78	6.0	8.0
5	宿磊	江南大学江苏省食品先进制造装备技术重点实验室	18	31	3.0	5.0
9	刘义亚	江南大学江苏省食品先进制造装备技术重点实验室	3	20	2.0	3.0