基于奇异谱分解-形态包络排列熵的滚动轴承故障诊断
为了解决微弱信号引起的特征信息提取困难的问题,提出一种基于奇异谱分解的形态包络排列熵(Morphological envelope permutation entropy,MEPE)特征提取方法,并将其应用于轴承微弱故障的智能识别及早期诊断.首先构建一个轨迹矩阵与自适应选择嵌入维数长度,并融合互信息判据确定奇异谱分解(Singular spectrum decomposition,SSD)获得的模态分量数;随后选取皮尔逊相关系数最大的模态分量作为主敏感分量,接着对主敏感分量进行开闭平均-hat变换处理,计算处理结果的瞬时包络信号并将其作为排列熵的输入,得到不同振动信号相对应的形态包络排列熵;最后采用极限学习机(Extreme learning machine,ELM)实现不同状态下轴承故障类型的自动辨识.通过应用实例分析结果表明,与排列熵、小波排列熵、经验模式分解-排列熵等方法相比,奇异谱分解-形态包络排列熵具有更好的特征区分度和识别精度,可以作为一种有效的轴承故障特征提取方法.
滚动轴承 故障诊断 奇异谱分解 形态包络排列熵
鄢小安 贾民平
东南大学机械工程学院,南京211189
国内会议
南宁
中文
1-12
2017-10-20（万方平台首次上网日期，不代表论文的发表时间）