典型文献
基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断
文献摘要：
齿轮箱故障振动信号具有非线性、非平稳的特点,在故障早期难以实现故障特征的提取和故障类型的识别.提出磷虾群算法(krill herd algorithm,KHA)-变分模态分解(variational mode decomposition,VMD)-多尺度排列熵(multi-scale permuta-tion entropy,MPE)与支持向量机(support vector machine,SVM)相结合的齿轮箱故障类型识别算法.首先对采集到的齿轮箱振动信号利用KHA优化的VMD进行分解,选取有效分量进行重构,然后求取其MPE作为特征向量,最后将特征向量输入SVM进行故障类型的识别.通过实测数据的分析表明,故障类型识别准确率达到了99.14％,该方法在机车车辆、发电机组等装备的齿轮箱状态监测和故障诊断中具有一定的参考价值.
文献关键词：
变分模态分解;多尺度排列熵;支持向量机;齿轮箱故障诊断
中图分类号：
作者姓名：
程旺;郝如江;段泽森;张晓锋;夏晗铎
作者机构：
石家庄铁道大学机械工程学院,石家庄050000
文献出处：
引用格式：
[1]程旺;郝如江;段泽森;张晓锋;夏晗铎-.基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断)[J].科学技术与工程,2022(15):6099-6105
A类：
KHA,permuta
B类：
变分模态分解,齿轮箱故障诊断,故障振动,振动信号,非平稳,难以实现,故障特征,特征的提取,磷虾群,krill,herd,algorithm,variational,mode,decomposition,VMD,多尺度排列熵,multi,scale,entropy,MPE,support,vector,machine,故障类型识别,识别算法,求取,特征向量,识别准确率,机车车辆,发电机组,齿轮箱状态监测
AB值：
0.296639
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。
