10.11835/j.issn.1000-582X.2020.002
基于故障敏感分量和改进K近邻分类器的故障状态识别
针对故障状态下的滚动轴承振动信号非线性非平稳性强、噪声干扰大导致的故障敏感特征提取难的问题,在对轴承振动信号进行局域均值分解(local mean decomposition,LMD)的基础上,提出了一种基于故障敏感分量的特征提取与改进K近邻分类器(K-nearest neighbor classifier,KNNC)的故障状态辨识方法.该方法采用相关系数法对LMD分解出的振动分量进行故障敏感性的量化表征,然后对筛选出的信号分量进行时域/频域的特征提取,构建不同故障状态下的特征样本集.为加快故障状态识别速度,排除不良样本的影响,提出一种基于二分K均值聚类的改进KNNC算法,精简了大容量的训练样本,有效去除不良特征样本和干扰点.实验结果表明,以敏感分量特征作为输入的改进KNNC算法能够快速准确地识别轴承不同故障状态.
局域均值分解、故障敏感分量、改进K近邻分类器、故障诊断
43
TH17;TH206
国家自然科学基金资助项目51675064,51975067
2021-02-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
33-40