ScholarMate
English简体中文繁體中文
客服热线:400-1616-289
登录注册
期刊论文

基于优化集合EMD的滚动轴承故障位置及性能退化程度诊断方法

王玉静; 姜义成; 康守强; 杨广学; 陈艳娜哈尔滨理工大学; 电子工程学院
仪器仪表学报2013-8-15
5阅读
引用收藏
分享

摘要

为了更有效地同时诊断出滚动轴承故障位置及不同性能退化程度,提出了对滚动轴承不同状态振动信号进行特征提取和智能分类的故障诊断方法。该方法对各状态振动信号进行集合经验模态分解,但其效果依赖于总体平均次数和加入噪声的大小这2个重要参数,因此,提出集合经验模态分解中加入白噪声的准则。将分解后的一系列固有模态函数结合奇异值分解获取各状态的奇异值,并组成特征向量矩阵。将其输入到改进的超球结构多类支持向量机进行分类,从而实现滚动轴承正常、不同故障位置及性能退化程度的多状态同时智能诊断。实验结果表明,提出的集合经验模态分解方法中加入白噪声准则,可避免人为确定分解参数,提高其分解效率。基于优化参数的集合经验模态分解结合奇异值分解的智能诊断方法比已有的基于经验模态分解结合自回归模型的诊断方法识别率高。

学科与关键词

关键词
集合经验模态分解支持向量机滚动轴承性能退化程度 ensemble empirical mode decompositionsupport vector machinerolling bearingperformance degradation degree
相关
加载中…

文献加载失败,请重试

重试

发表信息

论文状态
公开发表
期刊
仪器仪表学报
发表日期
2013-08-15
卷期
第 08 期
页码
1834-1840
成果收录
CHINAJOURNAL
资助标注
黑龙江省教育厅2011年科学技术研究项目(12511080);高等学校博士学科点专项科研(20122303120010)资助项目

作者

  • 王

    王玉静 (第一作者)

  • 姜

    姜义成

查看全部 5 位作者收起作者
  • 康

    康守强

  • 杨

    杨广学

  • 陈

    陈艳娜

登录解锁更多功能

  • 收藏这篇,随时在“我的 · 收藏”找回
  • 认领你的成果,生成推广素材
  • 关注作者获取最新成果
  • 加入项目组、协同写作
注册 / 登录

产品服务

  • 科研之友
  • 创新城
  • 科创云

服务支持

  • 帮助中心
  • 隐私政策
  • 服务条款

联系方式

在线客服:【】
客服热线:400-1616-289
电子邮箱:support@scholarmate.com

关注或下载科研之友

微信二维码
微信公众号
客户端下载二维码
下载客户端
科研成果科研人员科研机构科研动态爱瑞思软件

©2026 深圳市科研之友网络服务有限公司

公安备案图标粤公网安备 44030502000213
粤ICP备 16046710 号粤B2-20110417