Fault Detection of Bearing Systems through EEMD and Optimization Algorithm.
Fault Detection of Bearing Systems through EEMD and Optimization Algorithm.
复制标题
DOI：
10.3390/s17112477
复制
发表时间：
2017-10-28
期刊：
影响因子：
--
通讯作者：
Koh BH
中科院分区：
文献类型：
--
作者：
Lee DH;Ahn JH;Koh BH
提出了一种基于集成经验模态分解（EEMD）的特征提取方法，结合粒子群优化（PSO）、主元分析（PCA）和Isomap，对轴承系统进行故障检测和诊断。首先，假设一个数学模型，从损坏的轴承部件，如内圈，外圈，和滚动元件产生振动信号。介绍了将振动信号分解为固有模态函数（IMF）和提取统计特征的过程，以开发一个损伤敏感的参数向量。最后，利用主成分分析和Isomap算法对该参数向量进行分类和可视化，将损伤特征与健康轴承部件分离。此外，基于粒子群优化算法通过选择合适的参数向量权重，提高了分类性能，最大限度地提高了三维空间中参数向量分离和分组的可视化效果。
This study proposes a fault detection and diagnosis method for bearing systems using ensemble empirical mode decomposition (EEMD) based feature extraction, in conjunction with particle swarm optimization (PSO), principal component analysis (PCA), and Isomap. First, a mathematical model is assumed to generate vibration signals from damaged bearing components, such as the inner-race, outer-race, and rolling elements. The process of decomposing vibration signals into intrinsic mode functions (IMFs) and extracting statistical features is introduced to develop a damage-sensitive parameter vector. Finally, PCA and Isomap algorithm are used to classify and visualize this parameter vector, to separate damage characteristics from healthy bearing components. Moreover, the PSO-based optimization algorithm improves the classification performance by selecting proper weightings for the parameter vector, to maximize the visualization effect of separating and grouping of parameter vectors in three-dimensional space.
登录
查看更多内容
影响因子：
8.4
作者：
Wang, Hongchao;Chen, Jin;Dong, Guangming
通讯作者：
Dong, Guangming
影响因子：
1.6
作者：
Li, Hui;Zhang, Yuping;Zheng, Haiqi
通讯作者：
Zheng, Haiqi
影响因子：
8.4
作者：
Cheng, JS;Yu, DJ;Yang, Y
通讯作者：
Yang, Y
影响因子：
8.7
作者：
Konar, P.;Chattopadhyay, P.
通讯作者：
Chattopadhyay, P.
影响因子：
2.5
作者：
WARSHALL, S
通讯作者：
WARSHALL, S