基于LMD排列熵和LLE的滚动轴承故障诊断

为解决单一尺度下滚动轴承振动信号非线性、非平稳性、成分复杂以及信息冗余导致故障特征难以提取的问题,提出了一种基于局部均值分解(LMD)、排列熵和局部线性嵌入(LLE)相结合的滚动轴承故障特征提取方法.首先,利用LMD将初始信号分解成若干乘积函数(PF)之和并计算不同尺度下PF分量的排列熵.其次,提取初始信号时域特征并与PF排列熵组成高维特征向量,完成初次特征提取.最后,利用LLE对高维特征降维处理,完成二次特征提取.通过BP神经网络对采用该方法处理的滚动轴承实验数据进行识别,结果表明,该方法能够有效识别滚动轴承故障类型,分类效果优于直接采用原始数据集训练的结果,分类准确率达到98.67％.