基于复杂度特征的滚动轴承智能诊断方法

摘要

滚动轴承故障诊断的关键是如何从振动信号中获取有效特征信息.本文针对滚动轴承不同运行状态振动信号具有跨尺度复杂性的特点,提出了一种新的基于多尺度熵(Multiscale entropy,MSE)和径向基函数(Radical Basis Function,简称RBF)神经网络的滚动轴承故障智能诊断方法.该方法首先利用MSE方法提取轴承不同状态下振动信号的跨尺度复杂性特征,再将其输入到RBF神经网络,实现网络训练,最后利用RBF神经网络自动识别轴承故障类型及故障程度.实验结果表明,该方法能有效地实现滚动轴承故障类型及程度的智能诊断,效果优于反馈式Elman神经网络,并具有较高的稳定性及较低的虚警率和漏警率等优点.