典型文献
基于 HRCMFDE、LS、BA-SVM 的行星齿轮箱故障诊断
文献摘要：
针对行星齿轮箱的特征提取以及故障识别问题,提出了一种基于混合精细复合多尺度波动散布熵(HRCMFDE)特征提取、拉普拉斯分数(LS)特征降维优化和蝙蝠算法优化支持向量机(BA-SVM)故障识别的行星齿轮箱故障诊断方法.首先,提出了一种新的时间序列复杂度测量方法-HRCMFDE(其由5种不同粗粒化方式的RCMFDE组成,具备更全面和可靠的特征提取性能),用于从振动信号中挖掘出反映行星齿轮箱状态的故障信息,构成初始的混合故障特征;然后,考虑到由HRCMFDE组成的故障特征具有较高的维数和冗余,利用LS对初始特征进行了优化,生成了低维的敏感特征;最后,利用基于蝙蝠算法优化的支持向量机,对行星齿轮系不同故障特征向量进行了训练和分类,利用真实故障数据集对基于HRCMFDE、LS、BA-SVM的方法进行了验证.研究结果表明:利用行星齿轮箱数据集对该方案进行的有效性实验,能够准确地识别出齿轮箱的不同故障,其单次分类的准确率达到了98.13％,多次分类的平均准确率也优于对比方法;该结果验证了基于混合精细复合多尺度波动散布熵特征提取的有效性,采用该方法能够对行星齿轮箱的故障进行诊断.
文献关键词：
特征提取;特征降维优化;故障分类识别;混合精细复合多尺度波动散布熵;拉普拉斯分数;蝙蝠算法优化支持向量机
中图分类号：
作者姓名：
庄敏;李革;范智军;孔德成
作者机构：
杭州科技职业技术学院智能制造学院,浙江杭州311402;浙江理工大学机械与自动控制学院,浙江杭州310018;河南工业大学机电工程学院,河南郑州450001;郑州机械研究所有限公司,河南郑州450052
文献出处：
引用格式：
[1]庄敏;李革;范智军;孔德成-.基于 HRCMFDE、LS、BA-SVM 的行星齿轮箱故障诊断)[J].机电工程,2022(11):1535-1543
A类：
HRCMFDE,混合精细复合多尺度波动散布熵,波动散布熵,拉普拉斯分数,特征降维优化,蝙蝠算法优化支持向量机
B类：
LS,BA,行星齿轮箱,齿轮箱故障诊断,故障识别,故障诊断方法,粗粒化,振动信号,挖掘出,故障信息,混合故障,故障特征,低维,敏感特征,行星齿轮系,特征向量,故障数据,平均准确率,比方,熵特征,故障分类识别
AB值：
0.131178
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
