典型文献
基于改进MPE与KELM的滚动轴承故障诊断
文献摘要：
针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题,提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy,MPE)与核极限学习机(Kernel extreme learning machine,KELM)相结合的故障诊断方法.首先,使用关联积分法(C-C算法)对MPE的嵌入维数和时间延迟进行优化;其次,计算滚动轴承振动信号在选定的经验参数与优化参数下各尺度的排列熵值并以此构建特征向量;最后,利用KELM对滚动轴承进行故障分类.结果表明,参数优化后的MPE结合KELM的故障诊断方法能够有效地提取出故障特征进而很好地实现故障诊断.
文献关键词：
故障诊断;多尺度排列熵;关联积分法;特征提取;核极限学习机;故障分类
中图分类号：
作者姓名：
赵云;宿磊;李可;顾杰斐;卢立新
作者机构：
江南大学 江苏省食品先进制造装备技术重点实验室,江苏 无锡 214122;江南大学 机械工程学院,江苏 无锡 214122
文献出处：
引用格式：
[1]赵云;宿磊;李可;顾杰斐;卢立新-.基于改进MPE与KELM的滚动轴承故障诊断)[J].噪声与振动控制,2022(01):125-131
A类：
B类：
MPE,KELM,滚动轴承故障诊断,非线性信号,信号特征,诊断效率,优化改进,多尺度排列熵,Multi,scale,permutation,entropy,核极限学习机,Kernel,extreme,learning,machine,故障诊断方法,关联积分法,嵌入维数,时间延迟,滚动轴承振动信号,经验参数,优化参数,特征向量,故障分类,故障特征
AB值：
0.33098
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
