科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对航空齿轮箱故障诊断中采集到的振动信号包含复杂噪声干扰和冗余成分的问题，提出了基于自适应变分模态分解的齿轮箱故障诊断方法。利用综合评价指标完成变分模态分解（VMD）中K值的自适应选取，通过设置相关系数和能量熵的阈值，筛选同时大于阈值的分量作为包含主要能量且与原信号更加相似的分量进行重构，实现信号的降噪和特征增强。利用结合精细复合多尺度散布熵（RCMDE）对降噪后的信号进行特征提取，充分提取反映振动信号不同时间尺度复杂程度的非线性特征组成特征向量。使用粒子群算法（PSO）优化的核极限学习机（KELM）对所提取的特征进行识别。通过实验验证，该模型10次测试的平均准确率可达95.04%。与其他特征提取和模式识别方法进行对比，所提方法具有更高的诊断准确率，为航空齿轮箱的故障诊断提供了新的方法。
-
单位华东交通大学; 华东交通大学机电与车辆工程学院
