基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法

摘要：

针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法——复合多尺度熵(CMSE)应用于滚动轴承故障振动信号的特征提取.CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好.同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机(LapSVM)应用于滚动轴承故障的智能诊断中.在此基础上,提出了一种基于CMSE,序列前向选择(SFS)特征选择和LapSVM的滚动轴承故障诊断方法.最后,将提出的方法应用于试验数据分析,结果表明:CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率.

关键词：多尺度熵、复合多尺度熵、支持向量机、拉普拉斯支持向量机、故障诊断

所属期刊栏目：28

分类号：TN911.7;TH165.3

资助基金：国家自然科学基金资助项目51505002;安徽省高校自然科学研究重点资助项目KJ2015A080;安徽工业大学研究生创新研究基金资助项目2016061

在线出版日期：2017-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1339-1346