基于EEMD能量熵和GJO-KELM的滚动轴承故障诊断
DOI:
CSTR:
作者:
作者单位:

大连民族大学机电工程学院 大连 116650

作者简介:

通讯作者:

中图分类号:

TH133.3

基金项目:

国家自然科学基金(51875085)资助项目


Fault diagnosis of rolling bearings based on EEMD energy entropy and GJO-KELM
Author:
Affiliation:

School of Electromechanical Engineering,Dalian Minzu University,Dalian 116650,China

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    滚动轴承在旋转机械中发挥着重要作用,若出现故障,轻则引起设备停机,重则危及现场人员生命安全,因此有必要对其进行故障诊断。针对滚动轴承故障特征难以提取,传统分类方法正确率不高的问题,本文提出一种基于集合经验模态分解(EEMD)能量熵和金豺优化算法(GJO)优化核极限学习机(KELM)的故障诊断方法,实现了提取滚动轴承故障特征并正确分类的目标。通过实验数据进行验证,该方法能够提取到滚动轴承原始信号中隐含的故障信息特征,其诊断正确率高达98.47%。

    Abstract:

    Rolling bearings play an important role in rotating machinery. If a fault occurs, it can cause equipment shutdown, and in severe cases, endanger the safety of on-site personnel. Therefore, it is necessary to diagnose the fault. In response to the difficulty in extracting fault features of rolling bearings and the low accuracy of traditional classification methods, this paper proposes a fault diagnosis method based on Set Empirical Mode Decomposition (EEMD) energy entropy and Golden Jackal Optimization Algorithm (GJO) optimized Kernel Extreme Learning Machine (KELM), achieving the goal of extracting fault features of rolling bearings and correctly classifying them. Through experimental data validation, this method can extract the fault information features hidden in the original signal of rolling bearings, with a diagnostic accuracy of up to 98.47%.

    参考文献
    相似文献
    引证文献
引用本文

史书杰,赵凤强,王波,杨晨昊,周帅.基于EEMD能量熵和GJO-KELM的滚动轴承故障诊断[J].电子测量技术,2024,47(6):116-122

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2024-06-07
  • 出版日期:
文章二维码
×
《电子测量技术》
财务封账不开票通知