基于MSE和PNN的机械装备滚动轴承故障判别

发布时间：2024-02-21 14:58

　　针对机械装备中滚动轴承易发生故障,振动信号具有非线性非稳定的特点,提出采用多尺度熵(Multiscale Entropy,MSE)和概率神经网络(Probabilistic Neural Network,PNN)对不同类型故障和不同故障程度的滚动轴承进行故障判别的方法。该方法首先对滚动轴承故障信号进行多尺度熵分析,提取故障特征,建立特征向量,然后,选择概率神经网络作为多故障分类器,对提取的故障特征进行分类,识别出滚动轴承故障,通过实验表明:该方法能够对滚动轴承各种故障情况进行有效的分析和判别。

【文章页数】：3 页

【部分图文】：

图2轴承故障信号多尺度熵分析结果

人鹕?.3556S33外圈轻微损伤0.1778S44外圈中度损伤0.3556S55滚动体轻微损伤0.1778S66滚动体中度损伤0.3556S773.2实验分析对采集到的七种工况的加速度信号每类工况选择59个样本，每个样本长度为2048，共计413个样本进行分析。七种工况的时域信....

图1时域信号

深度的共计七种工况。每种工况的振动数据通过安装在实验装置表面的加速度传感器进行收集，采样频率为12KHz，电机转速为1730转/分，表1给出了七种工况的详细情况说明。表1轴承工况说明状态故障尺寸（mm）故障状态类别标签正常0S11内圈轻微损伤0.1778S22内圈中度损伤0.35....

图3PNN方法预测结果

1（2020）08（上）-0147-03线自动检测装置。1设计思路因为X射线数字成像检测技术相比，传统的胶片检测技术具有检测速度快、可电子存档、可远程评判、分辨率高、图像清晰、曝光剂量小等特点，同时，不用在被检工件上贴胶片，可更好地实现自动化，因此，本装置选择采用数字探测器作为成....

本文编号：3905582