10.13224/j.cnki.jasp.2019.04.002
基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断
针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题,提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法.利用ACMPE从复杂域提取振动信号的故障特征,构建高维故障特征集;采用ISSL-Isomap方法对高维故障特征集进行维数约简,提取出低维、敏感故障特征;应用GWO-SVM分类器对低维故障特征进行模式识别,判断故障类型.行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比,ACMPE方法在分类效果和识别精度上更具优势;与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap (W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap (SSL-Isomap)等降维方法进行比较,ISSL-Isomap方法降维效果最佳;所提方法的故障识别率达到100%,具有一定优越性.
故障诊断、行星齿轮箱、自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)、灰狼群优化支持向量机(GWO-SVM)
34
V232.8;TH165+.3;TN911.7(航空发动机(推进系统))
国家自然科学基金51505002;安徽省自然科学基金1808085ME152;安徽省高校自然科学研究重点项目KJ2017 A053;研究生创新研究基金2017012
2019-05-22(万方平台首次上网日期,不代表论文的发表时间)
共12页
744-755