基于EMD和MLEM2的滚动轴承智能故障诊断方法

基于EMD和MLEM2的滚动轴承智能故障诊断方法

针对旋转机械的自主故障诊断,提出一种基于EMD和MLEM2的智能解决方法。利用EMD预处理振动信号,在最适合的IMF分量上提取6个时域指标和5个频域指标构成无量纲的轴承故障特征向量。根据设备运行数据形成决策表,使用改进的MLEM2算法挖掘诊断规则,再结合改进的规则匹配策略进行状态识别。EMD能够剥离故障最本质的信息,提高所选分量的信噪比,而MLEM2算法无需对连续属性事先离散化,获得的诊断规则更完备、准确。SKF6203轴承试验表明,该方法诊断精度达到93.75%,相当于能够自主获取知识的专家系统,且只要一次初始设定,无需后续人工干预,是一种有效的智能诊断方法。...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:农业工程学报 2011, Vol.27 (4), p.125-130
1. Verfasser: 窦东阳 杨建国 李丽娟 赵英凯
Format: Artikel
Sprache:chi
Schlagworte:
MLEM2算法
故障诊断
模型
经验模式分解
规则获取
轴承
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 130
container_issue 4
container_start_page 125
container_title 农业工程学报
container_volume 27
creator 窦东阳 杨建国 李丽娟 赵英凯
description 针对旋转机械的自主故障诊断,提出一种基于EMD和MLEM2的智能解决方法。利用EMD预处理振动信号,在最适合的IMF分量上提取6个时域指标和5个频域指标构成无量纲的轴承故障特征向量。根据设备运行数据形成决策表,使用改进的MLEM2算法挖掘诊断规则,再结合改进的规则匹配策略进行状态识别。EMD能够剥离故障最本质的信息,提高所选分量的信噪比,而MLEM2算法无需对连续属性事先离散化,获得的诊断规则更完备、准确。SKF6203轴承试验表明,该方法诊断精度达到93.75%,相当于能够自主获取知识的专家系统,且只要一次初始设定,无需后续人工干预,是一种有效的智能诊断方法。
doi_str_mv 10.3969/j.issn.1002-6819.2011.04.021
format Article
fullrecord <record><control><sourceid>wanfang_jour_chong</sourceid><recordid>TN_cdi_wanfang_journals_nygcxb201104021</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><cqvip_id>37910212</cqvip_id><wanfj_id>nygcxb201104021</wanfj_id><sourcerecordid>nygcxb201104021</sourcerecordid><originalsourceid>FETCH-LOGICAL-c581-ab23441620f9eed057ce87809c4c003e57e1f4a018af6149fc84944a0ac741b23</originalsourceid><addsrcrecordid>eNo9j89Kw0AYxPegYKl9CEHwlPh9m02ye5Qa_0CLl97LZk1iiqbaINqzerAUD0ILBsGrF_GgFyvFl7FrfAtXKp4Ght_MMISsItiO8MR6x07zPLMRgFoeR2FTQLSB2UBxgVT-_SVSy_M0BBcdH4BhhfDZw-RzchM0N2e3w2YjaNKv4lK_F7PBYzl91dcf-m5SXkz16Oq7uC-fB3r8pMdv-mW0TBZjeZhHtT-tktZW0KrvWI297d36RsNSLkdLhtRhDD0KsYiifXB9FXGfg1BMATiR60cYMwnIZewhE7HiTDBjSOUzNOEqWZvXnsksllnS7nRPe5kZbGf9RJ2Hv0eBmZuGXJmT6qCbJSepYY976ZHs9duOL9Ag1PkBA_9lyQ</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于EMD和MLEM2的滚动轴承智能故障诊断方法</title><source>IngentaConnect Free/Open Access Journals</source><creator>窦东阳 杨建国 李丽娟 赵英凯</creator><creatorcontrib>窦东阳 杨建国 李丽娟 赵英凯</creatorcontrib><description>针对旋转机械的自主故障诊断,提出一种基于EMD和MLEM2的智能解决方法。利用EMD预处理振动信号,在最适合的IMF分量上提取6个时域指标和5个频域指标构成无量纲的轴承故障特征向量。根据设备运行数据形成决策表,使用改进的MLEM2算法挖掘诊断规则,再结合改进的规则匹配策略进行状态识别。EMD能够剥离故障最本质的信息,提高所选分量的信噪比,而MLEM2算法无需对连续属性事先离散化,获得的诊断规则更完备、准确。SKF6203轴承试验表明,该方法诊断精度达到93.75%,相当于能够自主获取知识的专家系统,且只要一次初始设定,无需后续人工干预,是一种有效的智能诊断方法。</description><identifier>ISSN: 1002-6819</identifier><identifier>DOI: 10.3969/j.issn.1002-6819.2011.04.021</identifier><language>chi</language><publisher>中国矿业大学化工学院,徐州,221116%南京工业大学自动化与电气工程学院,南京,210009</publisher><subject>MLEM2算法 ; 故障诊断 ; 模型 ; 经验模式分解 ; 规则获取 ; 轴承</subject><ispartof>农业工程学报, 2011, Vol.27 (4), p.125-130</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://image.cqvip.com/vip1000/qk/90712X/90712X.jpg</thumbnail><link.rule.ids>314,776,780,4010,27900,27901,27902</link.rule.ids></links><search><creatorcontrib>窦东阳 杨建国 李丽娟 赵英凯</creatorcontrib><title>基于EMD和MLEM2的滚动轴承智能故障诊断方法</title><title>农业工程学报</title><addtitle>Transactions of the Chinese Society of Agricultural Engineering</addtitle><description>针对旋转机械的自主故障诊断,提出一种基于EMD和MLEM2的智能解决方法。利用EMD预处理振动信号,在最适合的IMF分量上提取6个时域指标和5个频域指标构成无量纲的轴承故障特征向量。根据设备运行数据形成决策表,使用改进的MLEM2算法挖掘诊断规则,再结合改进的规则匹配策略进行状态识别。EMD能够剥离故障最本质的信息,提高所选分量的信噪比,而MLEM2算法无需对连续属性事先离散化,获得的诊断规则更完备、准确。SKF6203轴承试验表明,该方法诊断精度达到93.75%,相当于能够自主获取知识的专家系统,且只要一次初始设定,无需后续人工干预,是一种有效的智能诊断方法。</description><subject>MLEM2算法</subject><subject>故障诊断</subject><subject>模型</subject><subject>经验模式分解</subject><subject>规则获取</subject><subject>轴承</subject><issn>1002-6819</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2011</creationdate><recordtype>article</recordtype><recordid>eNo9j89Kw0AYxPegYKl9CEHwlPh9m02ye5Qa_0CLl97LZk1iiqbaINqzerAUD0ILBsGrF_GgFyvFl7FrfAtXKp4Ght_MMISsItiO8MR6x07zPLMRgFoeR2FTQLSB2UBxgVT-_SVSy_M0BBcdH4BhhfDZw-RzchM0N2e3w2YjaNKv4lK_F7PBYzl91dcf-m5SXkz16Oq7uC-fB3r8pMdv-mW0TBZjeZhHtT-tktZW0KrvWI297d36RsNSLkdLhtRhDD0KsYiifXB9FXGfg1BMATiR60cYMwnIZewhE7HiTDBjSOUzNOEqWZvXnsksllnS7nRPe5kZbGf9RJ2Hv0eBmZuGXJmT6qCbJSepYY976ZHs9duOL9Ag1PkBA_9lyQ</recordid><startdate>2011</startdate><enddate>2011</enddate><creator>窦东阳 杨建国 李丽娟 赵英凯</creator><general>中国矿业大学化工学院,徐州,221116%南京工业大学自动化与电气工程学院,南京,210009</general><scope>2RA</scope><scope>92L</scope><scope>CQIGP</scope><scope>W95</scope><scope>~WA</scope><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2011</creationdate><title>基于EMD和MLEM2的滚动轴承智能故障诊断方法</title><author>窦东阳 杨建国 李丽娟 赵英凯</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-c581-ab23441620f9eed057ce87809c4c003e57e1f4a018af6149fc84944a0ac741b23</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2011</creationdate><topic>MLEM2算法</topic><topic>故障诊断</topic><topic>模型</topic><topic>经验模式分解</topic><topic>规则获取</topic><topic>轴承</topic><toplevel>online_resources</toplevel><creatorcontrib>窦东阳 杨建国 李丽娟 赵英凯</creatorcontrib><collection>中文科技期刊数据库</collection><collection>中文科技期刊数据库-CALIS站点</collection><collection>中文科技期刊数据库-7.0平台</collection><collection>中文科技期刊数据库-农业科学</collection><collection>中文科技期刊数据库- 镜像站点</collection><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>农业工程学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>窦东阳 杨建国 李丽娟 赵英凯</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于EMD和MLEM2的滚动轴承智能故障诊断方法</atitle><jtitle>农业工程学报</jtitle><addtitle>Transactions of the Chinese Society of Agricultural Engineering</addtitle><date>2011</date><risdate>2011</risdate><volume>27</volume><issue>4</issue><spage>125</spage><epage>130</epage><pages>125-130</pages><issn>1002-6819</issn><abstract>针对旋转机械的自主故障诊断,提出一种基于EMD和MLEM2的智能解决方法。利用EMD预处理振动信号,在最适合的IMF分量上提取6个时域指标和5个频域指标构成无量纲的轴承故障特征向量。根据设备运行数据形成决策表,使用改进的MLEM2算法挖掘诊断规则,再结合改进的规则匹配策略进行状态识别。EMD能够剥离故障最本质的信息,提高所选分量的信噪比,而MLEM2算法无需对连续属性事先离散化,获得的诊断规则更完备、准确。SKF6203轴承试验表明,该方法诊断精度达到93.75%,相当于能够自主获取知识的专家系统,且只要一次初始设定,无需后续人工干预,是一种有效的智能诊断方法。</abstract><pub>中国矿业大学化工学院,徐州,221116%南京工业大学自动化与电气工程学院,南京,210009</pub><doi>10.3969/j.issn.1002-6819.2011.04.021</doi><tpages>6</tpages></addata></record>
fulltext fulltext
identifier ISSN: 1002-6819
ispartof 农业工程学报, 2011, Vol.27 (4), p.125-130
issn 1002-6819
language chi
recordid cdi_wanfang_journals_nygcxb201104021
source IngentaConnect Free/Open Access Journals
subjects MLEM2算法
故障诊断
模型
经验模式分解
规则获取
轴承
title 基于EMD和MLEM2的滚动轴承智能故障诊断方法
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-13T19%3A04%3A52IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour_chong&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8EEMD%E5%92%8CMLEM2%E7%9A%84%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF%E6%99%BA%E8%83%BD%E6%95%85%E9%9A%9C%E8%AF%8A%E6%96%AD%E6%96%B9%E6%B3%95&rft.jtitle=%E5%86%9C%E4%B8%9A%E5%B7%A5%E7%A8%8B%E5%AD%A6%E6%8A%A5&rft.au=%E7%AA%A6%E4%B8%9C%E9%98%B3%20%E6%9D%A8%E5%BB%BA%E5%9B%BD%20%E6%9D%8E%E4%B8%BD%E5%A8%9F%20%E8%B5%B5%E8%8B%B1%E5%87%AF&rft.date=2011&rft.volume=27&rft.issue=4&rft.spage=125&rft.epage=130&rft.pages=125-130&rft.issn=1002-6819&rft_id=info:doi/10.3969/j.issn.1002-6819.2011.04.021&rft_dat=%3Cwanfang_jour_chong%3Enygcxb201104021%3C/wanfang_jour_chong%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_cqvip_id=37910212&rft_wanfj_id=nygcxb201104021&rfr_iscdi=true