改进的熵特征在行星齿轮裂纹故障识别中的应用

摘要：

针对利用精细复合多尺度散布熵(RCMDE)特征在行星齿轮裂纹故障识别时存在噪声鲁棒性差、尺度选择依赖人工等不足,通过改进RCM DE特征,提出一种基于自适应精细复合多尺度散布熵(ARCMDE)特征的行星齿轮裂纹故障识别方法.改进从以下3个方面展开:首先在计算RC-MDE特征前利用变分模态分解(VMD)算法对信号进行分解,以获取预设数量的固有模态分量(IM F),再计算IM F与原信号的互信息,选取互信息大于阈值的IM F重构信号,实现降噪预处理;然后提出特征重合度及其计算公式,评价多个状态样本的均值标准差之间的重叠交叉情况,利用特征重合度选择较好的若干尺度构建特征向量;最后,结合粒子群优化(PSO)与支持向量机(SVM)实现故障模式识别.行星变速箱实验数据验证结果表明,与多尺度散布熵(MDE)和RCMDE特征相比,采用改进的ARCMDE特征构建的特征向量输入PSO-SVM的分类准确率提高了20％ 以上,验证了所提裂纹识别方法的有效性和优势.

关键词：行星齿轮、故障诊断、信息熵、支持向量机、多尺度熵

所属期刊栏目：55

分类号：TM132(电工基础理论)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2021-06-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：61-68