摘要：针对不同状态滚动轴承振动信号之间的时域波形和幅值谱差别不大,难以判断轴承的运行状态,提出基于自适应噪声的完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）排列熵和最小二乘支持向量机（least square support vector machine,LS-SVM）的轴承状态分类方法.首先,该方法将采集的轴承振动信号分成一定数目的训练样本和测试样本.然后,对每个样本信号进行CEEMDAN分解,得到多个内禀模态分量（intrinsic mode functions,IMF）,并计算每个样本信号前几个IMF分量的排列熵,将其作为输入LS-SVM分类器中的特征向量.最后,利用LS-SVM分类器对轴承状态进行分类与识别.将该方法应用于4种不同状态轴承的分类中,并与基于原始振动信号排列熵的LS-SVM轴承状态分类进行对比.结果表明：该方法总的分类准确率从后者的62.5%提高到98.75%,有效地证明了本文方法的准确性和优越性.
分类：期刊> 自然科学与工程技术> 工程科技II> 综合科技B类综合
收录：北大期刊(中国人文社会科学期刊) > CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > JST 日本科学技术振兴机构数据库(日) > Pж(AJ) 文摘杂志(俄) > 剑桥科学文摘 > 国家图书馆馆藏 > 上海图书馆馆藏
关键词：滚动轴承 基于自适应噪声的完备经验模态分解 排列熵 最小二乘支持向量机 状态分类
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
