Indexed by：
Abstract：
针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition,IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine,KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions,IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition,EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.
Keyword：
Reprint 's Address：
Email：
Source ：
福州大学学报:自然科学版
ISSN： 1000-2243
CN： 35-1337/N
Year： 2020
Issue： 3
Volume： 48
Page： 341-347
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count： -1
30 Days PV： 0
Affiliated Colleges：
