基于CEEMD-MPE和ELM的齿轮箱故障诊断研究

论文摘要

考虑到齿轮箱振动信号存在非平稳性和非线性等特点导致故障特征提取困难的问题,提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选,再利用多尺度排列熵对筛选出的模态分量进行特征提取;最后将提取出的故障特征输入到极限学习机(ELM)中进行分类识别,并与传统的径向基(RBF)神经网络进行对比,实验结果表明:采用CEEMD和MPE相结合的办法能够有效提取齿轮箱振动信号的故障特征,极限学习机能够准确、快速地进行齿轮箱故障识别。

论文目录

• 0 引言
• 1 基本原理介绍
•   1.1 CEEMD原理
•   1.2 多尺度排列熵原理
• 2 齿轮箱故障方案设置
• 3 特征提取
• 4 基于ELM的齿轮箱故障诊断
•   4.1 极限学习机
•   4.2 故障识别
• 5 结论

文章来源

类型: 期刊论文

作者: 王斌,崔宝珍

关键词: 齿轮箱,互补集合经验模态分解,多尺度排列熵,极限学习机,故障诊断

来源: 组合机床与自动化加工技术 2019年04期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 机械工业

单位: 中北大学机械工程学院

基金: 国家自然科学基金:基于粒子群优化和滤波技术的复杂传动装置早期故障诊断研究(50875247)

分类号: TH132.41

DOI: 10.13462/j.cnki.mmtamt.2019.04.025

页码: 103-106

总页数: 4

文件大小: 1255K

下载量: 235