基于改进HHT和SVM的滚动轴承故障状态识别OA北大核心CSCDCSTPCD
Fault Detection of Rolling Bearings Based on Improved HHT and SVM
针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中.首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构…查看全部>>
王圣杰;殷红;彭珍瑞
兰州交通大学 机电工程学院, 兰州 730070兰州交通大学 机电工程学院, 兰州 730070兰州交通大学 机电工程学院, 兰州 730070
机械制造
故障诊断集合经验模态分解Hilbert-Huang变换拉普拉斯得分支持向量机状态识别
《噪声与振动控制》 2021 (1)
89-94,107,7
甘肃省自然科学基金资助项目(17JR5RA102)甘肃省高校协同创新团队资助项目(2018C-12)兰州市人才创新创业资助项目(2017-RC-66)