公开(公告)号：CN109916628B

公开(公告)日：2020-11-06

申请号：CN201910273110.8

申请日：2019-04-04

Applicant: 哈尔滨理工大学

Inventor： 陈寅生 ,  张庭豪 ,  罗中明 ,  孙崐

IPC: G01M13/045

Abstract: 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法，涉及数字信号处理领域，为解决现有滚动轴承振动信号的故障诊断方法尚存在特征提取可分性不强、故障识别准确率低及故障严重程度分析不充分的问题，本发明包括步骤一：获取不同故障种类、不同故障程度下的滚动轴承振动信号样本集；步骤二；获取最优PR分量进行后续特征提取；步骤三；获取不同故障种类、不同故障程度下的故障特征向量；步骤四；将特征向量输入到随机森林分类器中；步骤五、得到滚动轴承故障类型和故障严重程度。本发明提取的特征向量具有良好的可分性，具有较强的故障描述能力，平均识别准确率达到99.25％。本发明可广泛应用于轴承故障诊断领域。

公开(公告)号：CN109916628A

公开(公告)日：2019-06-21

申请号：CN201910273110.8

申请日：2019-04-04

Applicant: 哈尔滨理工大学

Inventor： 陈寅生 ,  张庭豪 ,  罗中明 ,  孙崐

IPC: G01M13/045

Abstract: 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法，涉及数字信号处理领域，为解决现有滚动轴承振动信号的故障诊断方法尚存在特征提取可分性不强、故障识别准确率低及故障严重程度分析不充分的问题，本发明包括步骤一：获取不同故障种类、不同故障程度下的滚动轴承振动信号样本集；步骤二；获取最优PR分量进行后续特征提取；步骤三；获取不同故障种类、不同故障程度下的故障特征向量；步骤四；将特征向量输入到随机森林分类器中；步骤五、得到滚动轴承故障类型和故障严重程度。本发明提取的特征向量具有良好的可分性，具有较强的故障描述能力，平均识别准确率达到99.25％。本发明可广泛应用于轴承故障诊断领域。