IFD与KELM结合的滚动轴承故障诊断方法

• 作者: 张经伟 赵强 郭茂强 黄云云
• 来源期刊: 福州大学学报（自然科学版）
• 学科: 工学
• 关键词: 迭代滤波分解 滚动轴承 排列熵 核极限学习机 故障诊断
• 年，卷（期）: 2020,（3）
• 页码范围: 341-347
• 页数: 7页
• 分类号: TH133
• 字数: 3855字
• 语种: 中文
• DOI: 10.7631/issn.1000-2243.19225

摘要

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition,IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine,KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions,IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition,EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭茂强	福州大学石油化工学院	1	0	0.0	0.0
2	黄云云	福州大学石油化工学院	21	70	5.0	8.0
3	赵强	福州大学石油化工学院	1	0	0.0	0.0
4	张经伟	福州大学石油化工学院	5	2	1.0	1.0