| 基于MCKD和CEEMDAN样本熵的滚动轴承故障诊断 |
| |
| 引用本文： | 金妍. 基于MCKD和CEEMDAN样本熵的滚动轴承故障诊断[J]. 制造技术与机床, 2019, 0(3): 118-123 |
| |
| 作者姓名： | 金妍 |
| |
| 作者单位： | 吉林工业职业技术学院机电与智能学院 |
| |
| 基金项目： | 吉林省教育厅科技发展项目(2014124) |
| |
| 摘 要： | 针对滚动轴承故障特征微弱以及振动信号的非平稳性,提出一种基于最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)和自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)样本熵相结合的滚动轴承故障诊断方法。首先采用MCKD算法降低滚动轴承信号内的噪声干扰,突出信号中的冲击特性;然后利用CEEMDAN方法对降噪信号进行分解,根据峭度-相关系数准则选择包含主要故障信息的敏感固有模态函数(intrinsic mode function,IMF)分量;计算各敏感IMF分量的样本熵构成高维特征向量;最后将高维特征向量作为支持向量机(support vector machine,SVM)的输入,对滚动轴承的工作状态和故障类型进行识别。通过实测滚动轴承故障信号的分析,证明了所提方法有效性,并为此类问题的解决提供了一种可行方法。
|
| 关 键 词： | 最大相关峭度解卷积 自适应白噪声完备经验模态分解 样本熵 滚动轴承 故障诊断 |
Fault diagnosis of rolling bearing based on MCKD and CEEMDAN sample entropy |
| |
| JIN Yan. Fault diagnosis of rolling bearing based on MCKD and CEEMDAN sample entropy[J]. Manufacturing Technology & Machine Tool, 2019, 0(3): 118-123 |
| |
| Authors: | JIN Yan |
| |
| Affiliation: | (Mechatronics and Intelligence Department,Jilin Vocational College of Industry and Technology,Jilin 132013,CHN) |
| |
| Abstract: | JIN Yan(Mechatronics and Intelligence Department,Jilin Vocational College of Industry and Technology,Jilin 132013,CHN) |
| |
| Keywords: | maximum correlated kurtosis deconvolution complete ensemble empirical mode decomposition with adaptive noise sample entropy rolling bearing fault diagnosis |
| 本文献已被 CNKI 维普 等数据库收录！ |
|
