文献类型：期刊文章

作　　者：谭鸿创[1] 杨大炼[1] 蒋玲莉[1,2] 李学军[1,2]

Tan Hongchuang;Yang Dalian;Jiang Lingli;Li Xuejun(Hunan Provincial Key Laboratory of Health Maintenance for Mechanical Equipment,Hunan University of Science and Technology,Xiangtan 411201,China;Foshan University,Mechanical and Electrical Engineering,Foshan 528225,China)

机构地区：[1]湖南科技大学机械设备健康维护湖南省重点实验室,湘潭411201 [2]佛山科学技术学院机电工程学院,佛山528225

出　　处：《电子测量与仪器学报》

基　　金：国家自然科学基金(11872022,51575177);湖南省科技厅“科技人才专项-湖湘青年英才”项目(2017RS3049);湖南省自然科学基金(11702091)资助项目。

年　　份：2020

卷　　号：32

期　　号：2

起止页码：44-52

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对工业工程各领域广泛应用的螺旋锥齿轮振动信号受环境噪声干扰大,出现故障时信号呈现非线性、非平稳特性,故障特征信息微弱,故障特征提取难、诊断效率低的难题,提出一种基于多尺度排列熵(multi-scale permutation entropy,MPE)-局部保持投影(locality preserving projections,LPP)与极限学习机(extreme learning machine,ELM)的螺旋锥齿轮状态识别方法。首先,构造MPE作为原始高维特征矢量;然后使用LPP对原始高维特征矢量降维,获得最优低维敏感特征矢量,挖掘并保留高维特征矢量的非线性结构特点;最后将所得敏感特征量输入ELM进行识别诊断。该方法应用于3种转速下4种故障状态螺旋锥齿轮的诊断中,并与基于MPE-PCA-ELM与MPE-ELM进行对比识别,结果有效地证明了方法的准确性和优越性。

关 键 词：螺旋锥齿轮 故障诊断 MPE LPP ELM

分 类 号：TP277] TH132.41]