-
题名基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断
被引量：1
- 1
-
-
作者
杨小强
宫建成
安立周
刘晓明
-
机构
陆军工程大学野战工程学院
-
出处
《机电工程》
CAS
北大核心
2023年第3期335-343,共9页
-
基金
军队装备综合研究资助项目(〔2020〕1086号)。
-
文摘
针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明:采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明:采用ERCmvMFE算法能够更充分地提取出齿轮箱的故障特征,因此,基于该特征提取方法的故障诊断方法具有更高的齿轮箱故障识别准确率。
-
关键词
集成精细复合多元多尺度模糊熵
人工鱼群算法优化的核极限学习机
t分布随机邻域嵌入
特征提取
多粗粒化处理
多通道信号处理
故障分类识别
-
Keywords
ensemble refined composite multivariate multiscale fuzzy entropy(ERCmvMFE)
kernel extreme learning machine optimized by artificial fish swarm optimization algorithm(AFSA-KELM)
t-distributed stochastic neighbor embedding(t-SNE)
feature extraction
coarse grained process
multichannel signal processing
fault classification and identification
-
分类号
TH132.46
[机械工程—机械制造及自动化]
-
