文献类型：期刊文章

作　　者：姚武军[1] 孙文[1] 曹菊英[1]

YAO Wu-jun;SUN Wen;CAO Ju-ying

机构地区：[1]湘南学院电子信息与电气工程学院,湖南郴州423099

出　　处：《信息技术与信息化》

基　　金：2018年国家级大学生创新创业训练计划项目(201810545005);2018年湖南省大学生研究性学习和创新性实验计划项目(湘教通[2018]255号,No.986);湘南学院大学生研究性学习和创新性实验计划立项项目(湘南学院校发[2018]46号,No.33);2019年湘南学院校级教学改革研究项目(湘南学院校发[2019]146号,No.19)。

年　　份：2020

期　　号：6

起止页码：112-115

语　　种：中文

收录情况：普通刊

摘　　要：旋转机械设备是工业的重要动力源,其滚动轴承出现故障以后会使得生产中断,影响生产计划并造成经济损失。滚动轴承的故障信号具有噪声大、非平稳的特点,先用集合模态分解法(EEMD)将轴承的震动信号进行分解;然后对分解得到的信号计算能量熵,选取部分较大的能量熵值,构造识别各类轴承故障的特征向量;最后将故障特征向量加上分类标签,划分为训练集和测试集两部分,用K近邻算法(KNN)识别滚动轴承故障类型。在凯斯西储大学公开的轴承数据集上的实验表明,EEMD和KNN结合的方法故障识别正确率达到98.13%。

关 键 词：轴承故障 集合经验模态分解  KNN算法

分 类 号：TH133.33]