首页|EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
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.
Rolling Bearing Fault Diagnosis Combining EEMD Entropy Feature and t-SNE

高淑芝、王拳、张义民

展开 >

沈阳化工大学装备可靠性研究所,辽宁 沈阳 110000

沈阳化工大学信息工程学院,辽宁 沈阳 110000

EEMD 熵特征 t-SNE 滚动轴承 故障诊断

NSFC-国家自然科学重点基金—辽宁联合基金辽宁省特聘教授项目

U1708254[2018]3533

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
年,卷(期)：2023.388(6)
  • 6
  • 5