机械设计与制造2023，Vol.388Issue(6) ：229-233.

EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

Rolling Bearing Fault Diagnosis Combining EEMD Entropy Feature and t-SNE

高淑芝 王拳 张义民
机械设计与制造2023，Vol.388Issue(6) ：229-233.
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

Rolling Bearing Fault Diagnosis Combining EEMD Entropy Feature and t-SNE

高淑芝 1王拳 2张义民1
扫码查看

作者信息

  • 1. 沈阳化工大学装备可靠性研究所,辽宁 沈阳 110000
  • 2. 沈阳化工大学信息工程学院,辽宁 沈阳 110000
  • 折叠

摘要

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解(EEMD)熵特征提取、t-分布邻域嵌入(t-SNE)和粒子群优化-概率神经网络(PSO-PNN)的滚动轴承故障诊断方法.首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数(IMFs),对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别.通过案例1和案例2的分析结果表明:该方法对滚动轴承故障识别率均达到100％,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别.

关键词

EEMD/熵特征/t-SNE/滚动轴承/故障诊断

引用本文复制引用

基金项目

NSFC-国家自然科学重点基金—辽宁联合基金(U1708254)

辽宁省特聘教授项目([2018]3533)

出版年

2023
机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
被引量6
参考文献量5
段落导航相关论文