-
题名基于SPA和IRCMMPE的旋转机械损伤识别方法
- 1
-
-
作者
李恒亮
张思婉
郭衡
-
机构
河南轻工职业学院机电系
郑州铁路职业技术学院机电工程学院
武汉科技大学机械自动化学院
-
出处
《机电工程》
北大核心
2025年第6期1045-1054,共10页
-
基金
国家自然科学基金资助项目(52075395)。
-
文摘
基于单通道信号的旋转机械故障诊断方法的故障诊断效果通常比较依赖信号的质量,针对这一问题,提出了一种基于平滑先验分析(SPA)、改进精细复合多变量多尺度排列熵(IRCMMPE)和麻雀搜索算法优化支持向量机(SSA-SVM)的旋转机械损伤识别策略。首先,使用SPA将单通道信号分解为趋势项和去趋势项两种完全不同的分量,减少了分量的冗余,并将其组装为多通道信号以实现对样本的扩充;然后,采用IRCMMPE对多通道信号进行了特征提取以对比验证两个分量之间的相关性,获取了更能反映故障特性的特征;最后,将故障特征输入至SSA-SVM分类器中进行了故障识别,完成了对旋转机械的故障辨识和故障程度的判断,利用三个旋转机械数据集对SPA-IRCMMPE故障诊断方法的有效性进行了实验分析,并与其他故障诊断方法进行了对比研究。研究结果表明:SPA-IRCMMPE模型在诊断旋转机械不同故障类型时分别取得了100%和99.2%的识别准确率,平均识别准确率分别为99.76%和99.92%;而自制数据集的诊断精度达到了100%。相较于其他故障诊断方法,SPA-IRCMMPE模型仅需使用单个通道的振动信号且无需进行分量重要性评估,避免了分量取舍的问题,对振动信号的利用效率较高。
-
关键词
旋转机械单通道信号
故障诊断
麻雀搜索算法优化支持向量机
改进精细复合多变量多尺度排列熵
平滑先验分析
离心泵
滚动轴承
-
Keywords
single channel signal of rotating machinery
fault diagnosis
sparrow search algorithm optimized support vector machine(SSA-SVM)
improved refined composite multivariate multiscale permutation entropy(IRCMMPE)
smooth prior analysis(SPA)
centrifugal pump
rolling bearing
-
分类号
TH133
[机械工程—机械制造及自动化]
-
-
题名RCMNAAPE在旋转机械故障诊断中的应用
- 2
-
-
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]
-
-
题名基于双频精细复合多尺度排列熵的齿轮箱损伤识别
被引量：1
- 3
-
-
作者
刘心
费莹
李倩
-
机构
桂林电子科技大学信息科技学院
三门峡社会管理职业学院机电工程学院
苏州大学金螳螂建筑学院
浙江汽车职业技术学院电子工程系
-
出处
《机电工程》
CAS
北大核心
2023年第8期1176-1184,共9页
-
基金
浙江省教育科学规划课题(2021SCG303)
苏州大学虚拟仿真实验教学重点培育项目(2019-04)
虚拟仿真实验教学创新联盟2021年度第二批实验教学优质创新课程培育项目(202102XF03)。
-
文摘
齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行了两层分解,获得了反映齿轮箱损伤特性的低频和高频分量;然后,利用精细复合多尺度排列熵(RCMPE)对两组频带分量进行了分析,以充分提取嵌入在振动信号中的损伤信息,构建损伤特征;最后,将损伤特征输入至WOA-SVM分类模型中,成功对损伤进行了智能识别,并以实验采集到的齿轮箱振动信号为对象,对基于DFRCMPE和WOA-SVM的融合损伤识别方法的有效性开展了对比讨论。研究结果表明:与基于精细复合多尺度样本熵(RCMSE)、精细复合多尺度模糊熵(RCMFE)、RCMPE、精细复合多尺度散布熵(RCMDE)的特征提取方法相比,基于DFRCMPE和WOA-SVM的融合损伤识别方法的准确率和稳定性更高,平均识别准确率达到了100%;该方法能够为解决实际应用中的齿轮箱故障识别问题提供可行的思路。
-
关键词
齿轮传动
损伤特征提取
齿轮箱振动信号
双频精细复合多尺度排列熵
鲸鱼算法优化支持向量机
小波包分解
-
Keywords
gear transmission
damage feature extraction
gearbox vibration signal
dual-frequency refined composite multiscale permutation entropy(dfrcmpe)
whale algorithm optimized support vector machine(WOA-SVM)
wavelet packet decomposition(WPD)
-
分类号
TH132.41
[机械工程—机械制造及自动化]
-
