| 基于多小波包样本熵的轴承损伤程度识别方法 |
| |
| 引用本文： | 张建宇,张随征,管磊,杨洋.基于多小波包样本熵的轴承损伤程度识别方法[J].振动．测试与诊断,2015,35(21):128-132. |
| |
| 作者姓名： | 张建宇 张随征 管磊 杨洋 |
| |
| 作者单位： | （1.北京工业大学北京市先进制造技术重点实验室 北京，100124）（2. 江苏迈安德食品机械有限公司 扬州，225127） |
| |
| 基金项目： | 北京市教委科技计划资助项目（KM201410005027） |
| |
| 摘 要： | 为了自动辨识不同尺度下的轴承故障，建立了一种基于多小波包系数样本熵和BP神经网络的模式判别方法。针对5种尺度下的轴承外圈故障信号，分别采用GHM多小波包完成三层分解。为了充分利用多小波包的分析优势，将分解后的16个频段信号分别求系数样本熵，并将其作为神经网络的输入向量。通过三层BP神经网络的训练、学习，并与dB10小波包神经网络做了对比研究。结果表明，多小波包样本熵可以区别不同损伤程度的故障信号，且多小波包样本熵与神经网络结合，其辨识精度更高，分类效果明显优于传统单小波，便于轴承损伤程度的自动识别。
|
| 关 键 词： | 故障程度 多小波包 样本熵 BP神经网络 自动识别 |
Pattern Recognition of Bearing Defect Severity Based on Multiwavelet Packet Sample Entropy Method |
| |
| Zhang Jianyu,Zhang Suizheng,Guan Lei,Yang Yang.Pattern Recognition of Bearing Defect Severity Based on Multiwavelet Packet Sample Entropy Method[J].Journal of Vibration,Measurement & Diagnosis,2015,35(21):128-132. |
| |
| Authors: | Zhang Jianyu Zhang Suizheng Guan Lei Yang Yang |
| |
| Abstract: | |
| |
| Keywords: | fault severity multiwavelet packet sample entropy back propagation automatic identification |
|
| 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 |
