基于QPSO?MPE的滚动轴承故障识别方法 |
| |
引用本文: | 王望望,邓林峰,赵荣珍,张爱华.基于QPSO?MPE的滚动轴承故障识别方法[J].振动.测试与诊断,2021,41(1):62-68. |
| |
作者姓名: | 王望望 邓林峰 赵荣珍 张爱华 |
| |
作者单位: | (1.兰州理工大学机电工程学院 兰州, 730050) (2.兰州理工大学电气工程与信息工程学院 兰州, 730050) |
| |
基金项目: | 国家自然科学基金资助项目(51675253);中国博士后科学基金资助项目(2016M592857);甘肃省自然科学基金资助项目(1610RJZA004) |
| |
摘 要: | 为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。
|
关 键 词: | 滚动轴承故障识别 量子粒子群优化 多尺度排列熵 集成经验模态分解 GG模糊聚类 |
本文献已被 CNKI 等数据库收录! |
| 点击此处可从《振动.测试与诊断》浏览原始摘要信息 |
|
点击此处可从《振动.测试与诊断》下载全文 |
|