基于LMD样本熵与ELM的行星齿轮箱故障诊断

摘要：

为了解决行星齿轮箱故障特征提取困难的问题,考虑到行星齿轮箱振动信号的耦合、非线性的特点,提出基于局域均值分解(LMD)的样本熵和极限学习机(ELM)结合的行星齿轮箱故障诊断方法.首先,利用局域均值分解方法将振动信号自适应地分解为多个PF分量,结合相关系数选取包含主要故障信息的前4个PF分量.其次,应用样本熵方法进行计算,组成特征向量.最后,将特征向量输入极限学习机进行故障分类.在行星齿轮箱实验台上进行了实验,与基于概率神经网络(PNN)分类算法进行了对比,并与基于奇异值分解(SVD)构成的特征向量进行了对比,结果验证了该方法的有效性.

关键词：行星齿轮箱、局域均值分解、样本熵、极限学习机、故障诊断

所属期刊栏目：44

资助基金：山西省重点实验室开放基金XJZZ201601-06

在线出版日期：2020-04-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：152-157