文献类型：期刊文章

作　　者：蒋玲莉[1,2] 谭鸿创[1] 李学军[1,2] 雷家乐[1]

JIANG Lingli;TAN Hongchuang;LI Xuejun;LEI Jiale(Hunan Provincial Key Laboratory of Health Maintenance for Mechanical Equipment,Hunan University of Science and Technology Xiangtan,411201,China;School of Mechatronic Engineering and Automation,Foshan University Foshan,528225,China)

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

出　　处：《振动．测试与诊断》

基　　金：国家自然科学基金资助项目(11872022,51575177);湖南省科技厅“科技人才专项⁃湖湘青年英才”资助项目(2017RS3049);湖南省科技厅重点研发计划资助项目(2015JC3108)。

年　　份：2021

卷　　号：41

期　　号：1

起止页码：33-40

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对轮齿振动信号识别诊断困难的问题,提出以自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)排列熵为敏感特征量,通过支持向量机(support vector machine,简称SVM)进行模式识别,实现螺旋锥齿轮故障辨识的方法。首先,将振动信号进行CEEMDAN,得到一系列从高频到低频的内禀模态函数(intrinsic mode function,简称IMF),利用相关系数计算各IMF分量与原始信号的相关程度,结合信噪比的大小进行含主要故障信息的IMF分量优选;其次,采用重叠组合法对排列熵计算过程中的关键参数——嵌入维数和时延进行优选;最后,以优选IMF的排列熵值组成特征向量,训练多分类SVM进行螺旋锥齿轮故障辨识。将该方法用于3种不同程度螺旋锥齿轮断齿故障的诊断识别,并与基于集总经验模态分解排列熵、经验模态分解排列熵方法进行比较,结果表明,基于CEEMDAN排列熵的故障诊断方法可以更加准确地识别螺旋锥齿轮的故障类型。

关 键 词：螺旋锥齿轮 故障诊断 自适应噪声完备经验模态分解  排列熵  支持向量机

分 类 号：TH132.422] TH113.1