10.11857/j.issn.1674-5124.2020060071
基于MEEMD多特征融合与LS-SVM的行星齿轮箱故障诊断
针对行星齿轮箱振动信号非线性、非平稳性特点及故障特征难以有效提取的问题,提出基于改进的集成经验模态分解(MEEMD)多特征融合和最小二乘支持向量机(LS-SVM)的行星齿轮箱故障诊断方法.首先,利用MEEMD分解不同工况下的齿轮振动信号,得到一系列固有模态分量.其次,根据相关系数筛选出3阶敏感模态分量并计算对应的样本熵和能量,将二者融合组成高维特征向量,最后,将融合特征向量作为最小支持向量机(LS-SVM)的输入,对齿轮进行故障分类.在行星齿轮箱实验台上开展实验,与基于单特征构成的特征向量进行对比,并与概率神经网络(PNN)分类算法进行对比,结果验证该方法的有效性和优越性.
行星齿轮箱;改进的集成经验模态分解;多特征融合;最小二乘支持向量机;故障诊断
47
TH133
山西省重点研发计划国际科技合作方面;山西省自然科学基金项目
2021-10-15（万方平台首次上网日期，不代表论文的发表时间）
共7页
126-132
