10.3969/j.issn.1009-0134.2018.08.017
基于改进EEMD、KPCA与RBF结合的变负载下滚动轴承故障程度识别
针对变负载情况下滚动轴承故障信息难以提取、故障诊断精度低等问题,提出了一种基于包络谱灰色关联度的集合经验模态分解(EEMD)、核主元分析(KPCA)与径向基神经网络(RBF)相结合的滚动轴承故障诊断方法.该方法首先采用包络谱灰色关联度算法选择EEMD分解后的有效IMF分量,并对IMF分量进行加权,然后计算出加权后IMF分量的能量、峭度、偏度组成特征集,最后采用KPCA对特征集进行降维并将去除冗余后的特征集输入RBF中进行故障程度识别,实验结果表明此方法可以在变负载情况下有效的实现滚动轴承的故障程度的识别.
轴承故障、变负载、集合经验模态分解、核主元分析、灰色关联度
40
TP206.3(自动化技术及设备)
国家重点研发计划2016YFC0600906
2018-09-14（万方平台首次上网日期，不代表论文的发表时间）
共5页
63-67
