基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断

摘要

针对滚动轴承故障特征提取与状态监测问题，提出一种基于集合经验模式分解（EEMD）、Renyi熵、主元分析（PCA）和概率神经网络（PNN）的新方法．首先，将轴承振动信号通过EEMD分解成一组本征模态函数（IMF），计算每个IMF分量的Renyi熵值作为表征故障特征的向量，采用主元分析（PCA）对特征降维，提取主元输入概率神经网络进行故障分类．通过SKF6203轴承的正常、内圈点蚀、外圈点蚀和滚动体点蚀这4类状态的诊断实验验证了方法的有效性，诊断正确率为91．7％．