论文部分内容阅读
针对滚动轴承故障特征提取与状态监测问题，提出一种基于集合经验模式分解(EEMD)、 Renyi 熵、主元分析(PCA)和概率神经网络(PNN)的新方法。首先将轴承振动信号通过EEMD 分解 成一组本征模态函数(IMF)，计算每个IMF 分量的Renyi 熵值作为表征故障特征的向量，采用PCA 对特征降维，提取主元输入PNN 进行故障分类。通过SKF6203 轴承的正常、内圈点蚀、外圈点 蚀和滚动体点蚀这四类状态的诊断实验验证了方法的有效性，诊断正确率为91.7％。