基于CEEMDAN多尺度排列熵的轴承故障智能识别Fisher-GG聚类方法

• 作者: 张龙 徐天鹏 熊国良 甄灿壮
• 来源期刊: 噪声与振动控制
• 学科: 工学
• 关键词: 故障诊断 滚动轴承 自适应噪声完备集合经验模态分解 多尺度熵 Fisher比 GG聚类
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 振动理论与数值解法
• 页码范围: 1-7,28
• 页数: 8页
• 分类号: TH113.1|TH911.7
• 语种: 中文
• DOI: 10.3969/j.issn.1006-1355.2020.06.001

摘要

针对滚动轴承振动信号的非线性、非平稳性以及复杂性,利用自适应噪声完备集合经验模态分解(Com-plete ensemble empirical decomposition with adaptive noise,CEEMDAN)的自适应降噪优势,结合多尺度排列熵(Multi-scale permutation entropy,MPE)可以反映时间序列在不同尺度上的随机程度以及有效检测到时间序列动力学突变情况等特点,提出一种基于CEEMDAN、多尺度排列熵、Fisher比、GG(Gath-Geva,GG)聚类算法相结合的轴承故障智能识别方法.首先采用CEEMDAN算法对滚动轴承原始信号进行分解,得到若干个含有故障信息的振动信号固有模态函数(Intrinsic mode function,IMF)分量;其次采用峭度准则筛选出一个最优模态分量,并计算其多尺度排列熵值(Multi-scale permutation entropy,MPE);最后,利用Fisher比对MPE特征进行选择,将最终选择的MPE组成特征向量输入到GG聚类模型中,实现滚动轴承故障的智能识别.与其它聚类模型组合方法进行比较的结果证明所提方法在滚动轴承故障识别中的有效性和优越性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	熊国良		117	1009	17.0	27.0
2	张龙		63	306	9.0	16.0
3	徐天鹏		2	0	0.0	0.0
4	甄灿壮		1	0	0.0	0.0