EEMD样本熵在轴承故障SVM识别中的研究

doi:10.16578/j.issn.1004.2539.2014.03.011

您当前的位置：

首页 >

文章列表页 >

EEMD样本熵在轴承故障SVM识别中的研究

更新时间：2025-04-03

- EEMD样本熵在轴承故障SVM识别中的研究
- Vol. 38, Issue 3, Pages: 41-45(2014)
- 作者机构：
  
  兰州理工大学机电工程学院
- 作者简介：
- 基金信息：
- DOI：10.16578/j.issn.1004.2539.2014.03.011
  CLC： TH165.3;TH133.3
- Published：2014
- 稿件说明：
移动端阅览
[1]楼军伟,胡赤兵,赵家黎.EEMD样本熵在轴承故障SVM识别中的研究[J].机械传动,2014,38(03):41-45.

[J]. 2014, 38(3): 41-45.
[1]楼军伟,胡赤兵,赵家黎.EEMD样本熵在轴承故障SVM识别中的研究[J].机械传动,2014,38(03):41-45. DOI： 10.16578/j.issn.1004.2539.2014.03.011.

[J]. 2014, 38(3): 41-45. DOI： 10.16578/j.issn.1004.2539.2014.03.011.

摘要

滚动轴承故障支持向量机（SVM）智能识别的关键技术是故障信息的提取。由于小波变换和经验模态分解分别存在非自适应和模态混叠的缺陷

采用总体平均经验模态分解（EEMD）和样本熵来提取滚动轴承故障信息。实验中采集了3种工况和3种点蚀直径下的滚动轴承振动信号并进行小波降噪

降噪后信号用EEMD分解为若干个IMF分量

用样本熵表征主要分量的复杂性

同时设计了以EEMD样本熵作为训练和识别样本的SVM滚动轴承故障分类识别器。实验结果表明该方法在小样本的情况下能准确识别轴承正常和内圈、外圈、滚动体故障

并且随着样本数量增加识别准确性提高。

Abstract

关键词

Keywords

references

Views

239

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Fault Diagnosis of Rolling Bearing Based on AR model and Radial Basis Function Neural Networks

Experimental Analysis Research on Rolling Bearing Planetary Reducer with Driving Balls

双转子-轴承系统动态性能仿真分析

Research on Fault Diagnosis of Rolling Bearing Based on Correlation Dimension

Continuous Gaussian Mixture HMM-based Diagnosing Method of Roller Bearing

Related Author

田野

侯跃谦

陆爽

张少林

金国光

张明成

杜辉

孟瑾

Related Institution

长春工业大学机电工程学院吉林长春130022

长春大学机械工程学院

天津300160

郑州大学机械工程学院河南郑州450002

天津工业大学机电学院

⁰