基于多尺度排列熵的滚动轴承故障特征提取

作     者：王泽 王红军 WANG Ze;WANG Hong-jun

作者机构：北京信息科技大学机电工程学院北京100192 北京信息科技大学现代测控技术教育部重点实验室北京100192 北京市高端装备智能感知与控制国际合作基地北京100192 

出 版 物：《组合机床与自动化加工技术》 (Modular Machine Tool & Automatic Manufacturing Technique)

年 卷 期：2020年第8期

页      面：30-34,38页

学科分类：12[管理学] 080503[工学-材料加工工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金资助项目(51575055) 

主　　题：集合经验模态分解 多尺度排列熵 改进邻域粗糙集 滚动轴承故特征 

摘      要：针对现有滚动轴承故障识别精度低的问题,存在冗杂信息较多和分解识别计算量大的问题,将集合经验模态分解(ensemble empirical mode decomposition,EEMD)与多尺度排列熵、邻域粗糙集(neighborhood rough set,NRS)进行结合提出一种针对轴承系统故障特征提取的方法。文章对传统的邻域粗糙集算法进行改进,将故障信号进行EEMD分解和多尺度排列熵计算后形成条件属性,从而建立故障识别决策表,然后利用邻域粗糙集对决策表进行属性约简消除冗余的属性。最后将约简后的敏感特征子集输入概率神经网络中进行模式识别。通过实验结果表明,该文提出的方法对滚动轴承故障特征提取以及对于故障的精确识别是十分有效的,能够减小计算量同时精确实现故障诊断。