-
题名RCMNAAPE在旋转机械故障诊断中的应用
- 1
-
-
作者
储祥冬
戴礼军
涂金洲
罗震寰
于震
秦磊
-
机构
江苏中烟工业有限责任公司淮阴卷烟厂
颐中(青岛)烟草机械有限公司
武汉理工大学机电工程学院
-
出处
《机电工程》
CAS
北大核心
2024年第6期1039-1049,共11页
-
基金
国家自然科学基金资助项目(52075399)。
-
文摘
针对精细复合多尺度排列熵(RCMPE)无法充分提取旋转机械振动信号中的故障信息,从而导致旋转机械故障识别准确率不稳定这一缺陷,提出了一种基于精细复合多尺度归一化幅值感知排列熵(RCMNAAPE)、拉普拉斯分数(LS)和灰狼算法优化支持向量机(GWO-SVM)的旋转机械故障诊断方法。首先,利用幅值感知排列熵替换了RCMPE中的排列熵,提出了RCMNAAPE,并将其用于提取旋转机械振动信号的故障特征生成特征样本;随后,采用了LS从原始的高维故障特征向量中筛选出较少的能够更准确描述故障状态的特征,构造敏感特征样本;最后,将低维的故障特征向量输入由灰狼算法优化的支持向量机中进行了训练和测试,完成了旋转机械样本的故障识别和分类,利用滚动轴承和齿轮箱故障数据集将RCMNAAPE-LS-GWO-SVM与其他故障诊断方法进行了对比分析,并开展了评估。研究结果表明:基于RCMNAAPE-LS-GWO-SVM的故障诊断方法能够有效识别旋转机械的各类故障,其识别准确率高于其他对比的故障诊断方法,其中滚动轴承故障的识别准确率达到99.33%,齿轮箱故障的识别准确率达到98.67%。虽然,该方法的特征提取效率不佳,平均特征提取时间分别为153.02 s和163.98 s,仅优于精细复合多尺度模糊熵(RCMFE),但其综合性能更加优异。
-
关键词
故障识别准确率
滚动轴承
齿轮箱
精细复合多尺度归一化幅值感知排列熵
拉普拉斯分数
灰狼优化支持向量机
-
Keywords
fault identification accuracy
rolling bearing
gearbox
refined composite multiscale normalized amplitude aware permutation entropy(RCMNAAPE)
Laplace scores(LS)
grey wolf algorithm optimization support vector machine(GWO-SVM)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
