作者:任学平,辛向志,庞震,邢义通,王建国 单位:大连组合机床研究所:中国机械工程学会生产工程分会 出版:《组合机床与自动化加工技术》2015年第06期 页数:5页  (PDF与DOC格式可能不同) PDF编号:PDFZHJC2015060220 DOC编号:DOCZHJC2015060229 下载格式:PDF + Word/doc 文字可复制、可编辑
  • 经验模态分解(Empirical Mode Decomposition,EMD)方法可使滚动轴承振动信号根据自身尺度自适应的分解为若干个固有模态分量(Intrinsic Mode Function,IMF),信息熵能反映系统的不确定程度,滚动轴承发生故障会导致信息熵发生变化,结合EMD与信息熵,提出了EMD空间状态特征谱熵和IMF奇异谱熵,将其作为概率神经网络的特征向量,构建多传感器系统的多个概率神经网络的初级诊断网络。由于概率神经网络累加层输出结果为属于每一种模式的概率值,用概率神经网络的累加层输出结果构建D-S证据理论的mass函数,通过D-S证据理论进行决策级融合诊断。将该方法用于滚动轴承故障模式分类,试验结果表明该方法的可行性与有效性。与单一传感器诊断相比,提高了故障诊断精度。

    提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。