EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

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。