节点文献

EMPE和KP-KELM在行星齿轮箱故障诊断中的应用

免费订阅

【作者】 秦波尹恒王卓张建强李志俊王建国

【Author】 Qin Bo;Yin Heng;Wang Zhuo;Zhang Jianqiang;Li Zhijun;Wang Jianguo;School of Mechanical Engineering,Inner Mongolia University of Science & Technology;Institute of Technology,Inner Mongolia First Machinery Group Corporation;State Key Laboratory of Smart Manufacturing for Special Vehicles and Transmission System;

【通讯作者】 尹恒;

【机构】 内蒙古科技大学机械工程学院内蒙古第一机械集团公司工艺研究所特种车辆及其传动系统智能制造国家重点实验室

【摘要】 针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。

【基金】 国家自然科学基金(51565047);内蒙古自然科学基金面上项目(2017MS0509);内蒙古自然科学基金重大项目(2018ZD06)
【所属期刊栏目】 开发应用 (2019年05期)
  • 【DOI】10.16578/j.issn.1004.2539.2019.05.028
  • 【分类号】TH132.425
  • 【下载频次】52
节点文献中: 

本文链接的文献网络图示:

浏览历史:
下载历史: