点击次数：

论文类型：期刊论文

发表时间：2017-04-15

发表刊物：振动、测试与诊断

收录刊物：EI、CSCD、Scopus

卷号：37

期号：2

页面范围：256-260

ISSN号：1004-6801

关键字：故障分类;特征提取;广义回归神经网络;子带分解独立分量分析

摘要：提出了一种针对工程单通道信号的子带分解独立分量分析(subband decomposition independent component analysis,简称SDICA)故障分类方法.利用经验模态分解方法(empirical mode decomposition,简称EMD)得到的多个基本模式分量作为子带信号,对子带信号进行独立分量分析(independent component analysis,简称ICA),在ICA方法过程中提取了分离过程特征中产生的残余互信息值,在估计子带信号中计算各自的近似熵值,并把残余互信息和近似熵值作为特征参数,输入广义回归神经网络实现故障分类.SDICA方法在单通道信号故障分类中引入了ICA理论,成功实现了工程单通道轴承信号3种故障高精度的识别,验证了具有良好表征故障能力的残余互信息值和估计子带近似熵能够成为故障分类的重要参数.