基于EEMD能量矩与邻域粗糙集的转子故障数据集分类方法

来源：计算机应用研究杂志2020年第2期北京时间：

作者：孙泽金,赵荣珍,

单位：兰州理工大学机电工程学院,兰州730050；

摘要：针对旋转机械故障辨识准确率偏低的问题，将经验模态分解（ensemble empirical mode decomposition，EEMD）与能量矩、邻域粗糙集（neighborhood rough set，NRS）结合，提出一种转子系统故障模式辨识的方法。首先利用EEMD将采集到的振动故障信号自适应分解成若干个平稳的本征模态函数（intrinsic mode function，IMF）分量并计算其能量矩；以此能量矩作为描述故障状态的条件属性建立故障识别决策表；然后利用邻域粗糙集对决策表进行属性约简消除冗余的属性；最后将约简后的敏感特征子集输入所设计的决策树（decision tree，DT）C4.5 算法中进行模式识别。通过典型转子实验台的故障特征集验证了该方法的有效性。

关键词：集合经验模态分解,本征模态函数,能量矩,决策表,邻域粗糙集,属性约简,决策树C4.5算法,

基金资助：国家自然科学基金资助项目(51675253)；；