關鍵詞：熵融合 故障診斷 

摘要：為提高電機軸承故障診斷的準確性,提出了一種基于極點對稱模態分解算法(Extreme-point Symmetric Mode Decomposition,ESMD)熵融合與粒子群算法(PSO)優化支持向量機(SVM)的診斷方法。首先采用ESMD將故障數據分解獲得數個固有模態分量(Intrinsic Mode Function,IMF),根據相關性篩選IMF并計算其多種特征熵;采用核主成分分析(KPCA)用于融合特征熵,增大區分度;利用PSO尋優SVM參數,提高故障識別率。最后通過試驗分析表明,該方法可有效提取電機軸承故障特征并精確判別出故障類型,與其它方法相比識別率較高。

大電機技術雜志要求:

{1}作者姓名置于篇名下方居中。譯文的署名，應著者在前，譯者在后，著者前用方括號標明國籍。

{2}稿件必須用字規范，標點符號、計量單位、數字用法、圖表等應符合國家有關標準和規定。

{3}請勿一稿多投，自投稿之日起1個月內未收到采用意見，作者可自行處理。

{4}文章標題應簡明、確切、概括文章要旨，一般不超過20字，必要時可加副標題名。

{5}中文摘要一般限在200字以內，包括研究工作的主要對象和范圍，采用的手段和方法，得出的結果和重要的結論，關鍵詞一般3~5個。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社