基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

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)

所属期刊栏目：39

分类号：TH165+.3;TN911.7

资助基金：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

在线出版日期：2020-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：252-260