基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断 |
| |
引用本文: | 戚晓利,王振亚,吴保林,叶绪丹,潘紫微.基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断[J].振动与冲击,2020,39(4):252-260. |
| |
作者姓名: | 戚晓利 王振亚 吴保林 叶绪丹 潘紫微 |
| |
作者单位: | 安徽工业大学 机械工程学院,安徽 马鞍山243032 |
| |
基金项目: | 国家自然科学基金(51505002);安徽省自然科学基金(1808085ME152);安徽省高校自然科学研究重点项目(KJ2017A053);研究生创新研究基金(2017012) |
| |
摘 要: | 针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。
|
关 键 词: | 故障诊断 滚动轴承 SSDSL-Isomap 变分模态分解(VMD) 改进复合多尺度熵(ICMSE) 粒子群优化极限学习机(PSO-ELM) |
本文献已被 CNKI 维普 等数据库收录! |
| 点击此处可从《振动与冲击》浏览原始摘要信息 |
|
点击此处可从《振动与冲击》下载全文 |
|