EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

Machinery Design & Manufacture（2023）

Cited 0|Views3

No score

Abstract

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解(EEMD)熵特征提取、t-分布邻域嵌入(t-SNE)和粒子群优化-概率神经网络(PSO-PNN)的滚动轴承故障诊断方法.首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数(IMFs),对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别.通过案例1和案例2的分析结果表明:该方法对滚动轴承故障识别率均达到100％,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别.

AI Read Science

Must-Reading Tree

Example

Generate MRT to find the research sequence of this paper

Chat Paper

Summary is being generated by the instructions you defined