科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对行星齿轮箱的特征提取以及故障识别问题，提出了一种基于混合精细复合多尺度波动散布熵(HRCMFDE)特征提取、拉普拉斯分数(LS)特征降维优化和蝙蝠算法优化支持向量机(BA-SVM)故障识别的行星齿轮箱故障诊断方法。首先，提出了一种新的时间序列复杂度测量方法—HRCMFDE(其由5种不同粗粒化方式的RCMFDE组成，具备更全面和可靠的特征提取性能),用于从振动信号中挖掘出反映行星齿轮箱状态的故障信息，构成初始的混合故障特征；然后，考虑到由HRCMFDE组成的故障特征具有较高的维数和冗余，利用LS对初始特征进行了优化，生成了低维的敏感特征；最后，利用基于蝙蝠算法优化的支持向量机，对行星齿轮系不同故障特征向量进行了训练和分类，利用真实故障数据集对基于HRCMFDE、LS、BA-SVM的方法进行了验证。研究结果表明：利用行星齿轮箱数据集对该方案进行的有效性实验，能够准确地识别出齿轮箱的不同故障，其单次分类的准确率达到了98.13%,多次分类的平均准确率也优于对比方法；该结果验证了基于混合精细复合多尺度波动散布熵特征提取的有效性，采用该方法能够对行星齿轮箱的故障进行诊断。
- 单位
