基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

• 作者: 叶绪丹 吴保林 戚晓利 潘紫微 王振亚
• 来源期刊: 航空动力学报
• 学科: 工学
• 关键词: 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)
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 动力传输
• 页码范围: 744-755
• 页数: 12页
• 分类号: V232.8|TH165+.3|TN911.7
• 语种: 中文
• DOI: 10.13224/j.cnki.jasp.2019.04.002

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	潘紫微	安徽工业大学机械工程学院	88	630	15.0	20.0
2	戚晓利	安徽工业大学机械工程学院	46	207	8.0	12.0
3	叶绪丹	安徽工业大学机械工程学院	6	26	2.0	5.0
4	王振亚	安徽工业大学机械工程学院	5	8	2.0	2.0
5	吴保林	安徽工业大学机械工程学院	4	7	2.0	2.0