基于RTSMFE、M-KRCDA与COA-SVM的行星齿轮箱故障诊断

作者：戚晓利; 崔创创^*; 杨艳; 程主梓; 陈旭

来源：振动与冲击, 2022, 41(21): 109-120.

DOI：10.13465/j.cnki.jvs.2022.21.013

• 故障诊断
• 行星齿轮箱
• 精细时移多尺度模糊熵(RTSMFE)
• 马氏距离的核正则化共面判别分析(M-KRCDA)
• 郊狼优化算法优化支持向量机(COA-SVM)

针对从行星齿轮箱非线性、非平稳振动信号中提取故障特征困难的问题，提出了一种基于精细时移多尺度模糊熵(refined time-shift multiscale fuzzy entropy, RTSMFE)、马氏距离的核正则化共面判别分析(Mahalanobis-kernel regularized coplanar discriminant analysis, M-KRCDA)以及郊狼优化算法优化支持向量机(coyote optimization algorithm-support vector machine, COA-SVM)的行星齿轮箱故障诊断方法。首先利用RTSMFE计算和组合行星齿轮箱原始故障信号的特征向量，构建原始高维故障特征集；然后采用M-KRCDA的特征筛选方法，减少了特征的维数并提高特征故障识别的准确性和效率；最后将低维特征输入到COA-SVM进行故障类型的判别。行星齿轮箱故障诊断试验结果分析表明，所提方法能够准确识别行星齿轮箱的常见故障，具有一定的应用前景。

• 单位
  安徽工业大学