改进经验模态分解的电机轴承特征提取方法
滚动轴承是电机的重要组成部分,也是出现故障较多的部位,对电机轴承进行特征提取方法研究对于其故障诊断具有重要的意义.首先,介绍了排列熵及其改进算法,并应用于电机轴承故障检测;其次,针对经验模态分解(Empirical Mode Decomposition, EMD)的端点效应和模态混叠问题,提出了极值点对称延拓加聚合经验模态分解以及解相关算法和改进排列熵算法的混合算法(Modified Empirical Mode Decomposition, MEMD),并应用于电机轴承故障特征提取;最后,利用概率神经网络(Probabilistic Neural Network, PNN)对电机轴承故障特征进行了分类.结果表明,利用改进后的经验模态分解算法进行特征提取,可以明显提高故障分类的准确率.
改进排列熵、模态混叠、端点效应、解相关、改进经验模态分解、概率神经网络
27
TP183(自动化基础理论)
国家自然科学基金61573144
2021-02-25(万方平台首次上网日期,不代表论文的发表时间)
共10页
1882-1891