基于复合多尺度排列熵与FO-SVM的滚动轴承故障诊断方法OA北大核心CSCDCSTPCD
Fault Diagnosis for Rolling Bearings Based on Composite Multi-scale Permutation Entropy and FO-SVM
MPE算法中不充分的时间序列粗粒化过程会造成原始振动信号在时间序列中信息的缺失.为优化这种不成熟的粗粒化过程,相关学者创新地采用复合粗粒化的思想,提出了复合多尺度排列熵(CMPE).为了实现滚动轴承的智能故障诊断,提出一种基于CMPE与萤火虫优化支持向量机(FO-SVM)的滚动轴承智能故障诊断方法.首先使用CMPE表征滚动轴承的原始故障信息,然后构建FO-SVM多故障分类器,实现对滚动轴承故障类型和程度的智能识别.通过仿真信号分析验证了CMPE相…查看全部>>
董治麟;郑近德;潘海洋;刘庆运;丁克勤
安徽工业大学 机械工程学院,安徽 马鞍山 243032教育部液压振动与控制工程研究中心,安徽 马鞍山 243032安徽工业大学 机械工程学院,安徽 马鞍山 243032教育部液压振动与控制工程研究中心,安徽 马鞍山 243032安徽工业大学 机械工程学院,安徽 马鞍山 243032
机械制造
振动与波多尺度排列熵复合多尺度排列熵滚动轴承故障诊断萤火虫优化支持向量机
《噪声与振动控制》 2020 (2)
102-108,7
国家重点研发计划资助项目(2017YFC0805100)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项目资助
评论