基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

摘要：

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法.利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断.行星齿轮箱故障诊断实验分析结果表明:IMWPE+ S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiseale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100％,能够有效诊断出行星齿轮箱各工况类型.

关键词：故障诊断、行星齿轮箱、熵-流特征、改进多尺度加权排列熵(IMWPE)、等度规映射(Isomap)、樽海鞘群优化算法(SSO)、支持向量机(SVM)

所属期刊栏目：40

分类号：TH165+.3;TN911.7

资助基金：国家自然科学基金;福建省工业机器人基础部件技术重大研发平台

在线出版日期：2021-04-30（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：107-114