近日，我院肖茂华教授在学术期刊《ISA Transactions》（IF=7.3，南农A类期刊，工程领域TOP 10%期刊）上发表题为“A new fault feature extraction method of rolling bearings based on the improved self-selection ICEEMDAN-permutation entropy”的研究论文。
滚动轴承由于其精度高、成本低、使用寿命长等优点，被广泛应用于风力发电、造船、航空航天等领域。然而，机械设备中约50%的电机故障是由滚动轴承损坏引起的。因此，滚动轴承的故障诊断一直是机械设备稳定运行研究中的热点和难点。
本研究提出了一种基于改进的自适应噪声完全集成经验模态分解(ICEEMDAN)和排列熵的特征提取方法。该方法首先对ICEEMDAN算法进行改进和优化，使其具有自选择功能，然后利用该算法将振动信号分解为多个固有模态函数，提取排列熵作为滚动轴承的故障特征，提高了故障分类的精度，实现了不同故障状态的智能特征提取。然后，使用凯斯西储大学数据集进行验证，结果表明，该方案能够有效分离轴承不同状态下的振动信号特征，并可用于表征不同轴承信号的特征。最后，基于我校自主开发的机械传动系统轴承实验平台，实验结果表明，与未改进的ICEEMDAN算法相比，所提方法的诊断准确率为99.5%，提高了6.4%，可有效用于滚动轴承的特征提取。
图1：改进的自选ICEEMDAN算法步骤流程图
皇冠为本文第一单位，肖茂华教授为第一作者兼通讯作者，奥地利维也纳技术大学等也参与了该研究。
文章链接：
https://doi.org/10.1016/j.isatra.2023.09.009
