《表2 不同工况状态间的可分性参数》
经提升双树复小波包分解得到的各子频带的样本熵、排列熵和能量矩特征包含了丰富的故障信息,本文将由样本熵、排列熵和能量矩组成的归一化特征向量作为DWAE的输入。输入节点数为16×8×3=384(16个子频带,8个传感器,3个特征)。以工况b、c和d为例,通过类内类间距离判据表征故障间的可区分性指标F,F值越大表示该类故障的可区分性越好,F的详细计算见文献[22]。作为对比,从信号中提取出峰峰值、峭度等时域统计指标,指标的详细计算见文献[23];并从递归图中提取递归率、递归熵等非线性RQA特征,从而定量描述信号的动态特性,RQA的详细计算见文献[24]。F的计算值见表2所示,由表2可知,相比时域分析方法和RQA特征,本文中所提取的特征提高了轴承不同故障间的可分性。然而原始特征向量维数较高,特征冗余度大,为了更有效地提取分类准确度高的故障特征,需要利用DWAE对原始特征向量进行二次特征提取,并自动识别故障。
图表编号 | XD0090419400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.15 |
作者 | 杜小磊、陈志刚、张楠、郭兴国 |
绘制单位 | 北京建筑大学机电与车辆工程学院、北京市建筑安全监测工程技术研究中心、北京建筑大学机电与车辆工程学院、北京市建筑安全监测工程技术研究中心、北京建筑大学机电与车辆工程学院、中国矿业大学机电工程学院 |
更多格式 | 高清、无水印(增值服务) |