基于EEMD-NPE的故障降维方法

• 作者: 何敬举 潘庆建 赵婷婷
• 来源期刊: 机械设计与制造工程
• 学科: 工学
• 关键词: 集成经验模态分解 能量矩 本征模态函数 邻域保持嵌入 K近邻分类器
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 应用研究
• 页码范围: 82-84
• 页数: 3页
• 分类号: TP18|TH165
• 字数: 1847字
• 语种: 中文
• DOI: 10.3969/j.issn.2095-509X.2019.03.019

摘要

针对转子高维故障特征识别精度低的问题,提出基于集成经验模态分解(EEMD)能量矩和邻域保持嵌入(NPE)算法相结合的转子故障分类方法.首先利用EEMD对转子系统的振动故障信号进行分解,得到各阶的本征模态分量(IMF)并计算其能量特征向量矩阵,然后应用NPE算法将高维特征集向低维投影,使降维后类内散度最小化及类间分离度最大化,最后将降维后得到的低维特征集输入K近邻分类器进行模式识别.通过双跨度轴承转子试验台的故障特征数据集验证,结果表明该方法能够有效地解决转子故障特征集的降维问题.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	何敬举		1	0	0.0	0.0
2	赵婷婷		3	0	0.0	0.0
3	潘庆建		1	0	0.0	0.0