| 基于多尺度排列熵和改进多分类相关向量机的
滚动轴承故障诊断方法 |
| |
| 引用本文： | 陈 鹏,赵小强,朱奇先.基于多尺度排列熵和改进多分类相关向量机的
滚动轴承故障诊断方法[J].电子测量与仪器学报,2020,34(2):20-28. |
| |
| 作者姓名： | 陈 鹏 赵小强 朱奇先 |
| |
| 作者单位： | 1.兰州理工大学 电气工程与信息工程学院;2.大型电气传动系统与装备技术国家重点实验室 |
| |
| 基金项目： | 国家自然科学基金（61763029）、大型电气传动系统与装备技术国家重点实验室开放基金（SKLLDJ012016020）资助项目 |
| |
| 摘 要： | 针对传统的时域、频域和时频域参数提取方法,难以从滚动轴承振动信号中提取出丰富的故障特征问题,提出通过多尺度排列熵提取故障特征,并结合改进的多分类相关向量机进行故障诊断的方法。由于多分类相关向量机的核函数参数不具有自适应选择的能力对故障诊断精度有较大影响,通过一种新智能优化算法-蝗虫优化算法改进多分类相关向量机,实现多分类相关向量机的自适应优化故障诊断。采用美国西储大学的试验数据验证表明,提出的优化故障诊断模型能够实现滚动轴承不同类型的故障诊断和不同故障程度的辨识,与粒子群优化多分类相关向量机的故障诊断模型相比,提出的故障诊断模型准确率达到了100%。
|
| 关 键 词： | 滚动轴承 故障诊断 多尺度排列熵 多分类相关向量机 蝗虫优化算法 |
Rolling bearing fault diagnosis method based on multi scale permutation
entropy and improved multi class relevance vector machine |
| |
| Chen Peng,Zhao Xiaoqiang,Zhu Qixian.Rolling bearing fault diagnosis method based on multi scale permutation
entropy and improved multi class relevance vector machine[J].Journal of Electronic Measurement and Instrument,2020,34(2):20-28. |
| |
| Authors: | Chen Peng Zhao Xiaoqiang Zhu Qixian |
| |
| Affiliation: | 1. College of Electrical and Information Engineering, Lanzhou University of Technology; 2. State Key Laboratory of Large Electric Drive System and Equipment Technology |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《电子测量与仪器学报》浏览原始摘要信息 |
|
点击此处可从《电子测量与仪器学报》下载全文 |
