基于CELCD和MFVPMCD的智能故障诊断方法研究

潘海洋; 郑近德; 杨宇; 童宝宏

doi:10.3969/j.issn.0372-2112.2017.03.006

您当前的位置：

首页 >

文章列表页 >

基于CELCD和MFVPMCD的智能故障诊断方法研究

学术论文 | 更新时间：2025-07-16

- 基于CELCD和MFVPMCD的智能故障诊断方法研究
- Research on Combined Intelligent Fault Diagnostic Method Based on CELCD and MFVPMCD
- 电子学报 2017年45卷第3期页码：546-551
- 作者机构：
  
  1. 安徽工业大学机械工程学院,安徽,马鞍山,243032
  2. 湖南大学汽车车身先进设计制造国家重点实验室,湖南,长沙,410082
  3. 安徽工业大学机械工程学院,安徽,马鞍山,243032
  4. 湖南大学汽车车身先进设计制造国家重点实验室,湖南,长沙,410082
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.51505002，No.51175158）;安徽高校自然科学研究项目资助 (No.2015A080）
- DOI：10.3969/j.issn.0372-2112.2017.03.006
  中图分类号： TH113
- 纸质出版：2017
- 稿件说明：
移动端阅览
潘海洋, 郑近德, 杨宇, 等. 基于CELCD和MFVPMCD的智能故障诊断方法研究[J]. 电子学报, 2017,45(3):546-551.

PAN Hai-yang, ZHENG Jin-de, YANG Yu, et al. Research on Combined Intelligent Fault Diagnostic Method Based on CELCD and MFVPMCD[J]. Acta Electronica Sinica, 2017, 45(3): 546-551.
潘海洋, 郑近德, 杨宇, 等. 基于CELCD和MFVPMCD的智能故障诊断方法研究[J]. 电子学报, 2017,45(3):546-551. DOI： 10.3969/j.issn.0372-2112.2017.03.006.

PAN Hai-yang, ZHENG Jin-de, YANG Yu, et al. Research on Combined Intelligent Fault Diagnostic Method Based on CELCD and MFVPMCD[J]. Acta Electronica Sinica, 2017, 45(3): 546-551. DOI： 10.3969/j.issn.0372-2112.2017.03.006.

摘要

针对旋转机械故障诊断方法中信号处理和模式识别的不足，即端点效应和判别片面性问题，提出一种基于互相关匹配延拓局部特征尺度分解（Cross-correlation matching endpoint Extension Local Characteristic scale Decomposition，CELCD）和改进多变量预测模型（Variable Predictive Model based Class Discriminate，VPMCD）的智能故障诊断方法，首先探索待分解信号前后端的数据规律，选取匹配波形完成端点延拓，然后利用局部特征尺度分解（Local Characteristic scale Decomposition，LCD）得到各去除端点效应的内禀尺度分量（Intrinsic Scale Component，ISC），最后输入到基于多模型融合的多变量预测模型（Multi-model Fusion-Variable Predictive Model based Class Discriminate，MFVPMCD）分类器中进行概率状态判定.实验分析结果表明，所提方法能有效地对滚动轴承的工作状态进行识别.

Abstract

To suppress end effects of signal processing and judgment contingency of pattern recognition in the rotating machinery fault diagnosis method

an intelligent fault diagnosis method is proposed based on the cross-correlation matching endpoint extension local characteristic scale decomposition (CELCD) and the improved variable predictive model based class discriminate (VPMCD).Firstly

the characteristic of the decomposed signal is explored and the matched waveform is selected to complete the endpoint extension.Then the extension waveform is decomposed by the local characteristic scale decomposition (LCD)

at the same time

and the intrinsic scale components (ISCs) with removed endpoint effect are obtained.Finally

the features of each ISC are extracted and input to the multi-model fusion-variable predictive model based class discriminate (MFVPMCD) classifier for the judgment of state probability.Experimental results show that the proposed method can effectively identify the running state of roller bearing.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种基于CatBoost优化的光伏阵列故障诊断模型

基于迁移学习的零样本故障诊断

基于多电流特征形态组合模式挖掘的层冷辊电机故障诊断

基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断

基于磁场分布特性的接地网故障诊断研究