典型文献
基于RTSMFE、M-KRCDA与COA-SVM的行星齿轮箱故障诊断
文献摘要：
针对从行星齿轮箱非线性、非平稳振动信号中提取故障特征困难的问题,提出了一种基于精细时移多尺度模糊熵(refined time-shift multiscale fuzzy entropy,RTSMFE)、马氏距离的核正则化共面判别分析(Mahalanohis-kernel regularized coplanar discriminant analysis,M-KRCDA)以及郊狼优化算法优化支持向量机(coyote optimization algorithm-support vector machine,COA-SVM)的行星齿轮箱故障诊断方法.首先利用RTSMFE计算和组合行星齿轮箱原始故障信号的特征向量,构建原始高维故障特征集;然后采用M-KRCDA的特征筛选方法,减少了特征的维数并提高特征故障识别的准确性和效率;最后将低维特征输入到COA-SVM进行故障类型的判别.行星齿轮箱故障诊断试验结果分析表明,所提方法能够准确识别行星齿轮箱的常见故障,具有一定的应用前景.
文献关键词：
故障诊断;行星齿轮箱;精细时移多尺度模糊熵(RTSMFE);马氏距离的核正则化共面判别分析(M-KRCDA);郊狼优化算法优化支持向量机(COA-SVM)
中图分类号：
作者姓名：
戚晓利;崔创创;杨艳;程主梓;陈旭
作者机构：
安徽工业大学 机械工程学院,安徽马鞍山 243032
文献出处：
引用格式：
[1]戚晓利;崔创创;杨艳;程主梓;陈旭-.基于RTSMFE、M-KRCDA与COA-SVM的行星齿轮箱故障诊断)[J].振动与冲击,2022(21):109-120
A类：
RTSMFE,KRCDA,Mahalanohis,coyote
B类：
COA,行星齿轮箱,齿轮箱故障诊断,非平稳振动,振动信号,故障特征,多尺度模糊熵,refined,shift,multiscale,fuzzy,entropy,马氏距离,正则化,共面,判别分析,kernel,regularized,coplanar,discriminant,analysis,郊狼优化算法,算法优化,优化支持向量机,optimization,algorithm,support,vector,machine,故障诊断方法,故障信号,特征向量,高维,征集,特征筛选,筛选方法,故障识别,低维特征,故障类型,诊断试验,准确识别,常见故障
AB值：
0.295773
相似文献
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。
