基于MED-SVM的齿轮箱故障诊断方法

被引：7

作者：

刘志川 ^{[1
]}

唐力伟 ^{[1
]}

曹立军 ^{[1
]}

张远刚 ^{[2
]}

机构：

[1] 军械工程学院火炮工程系

[2] 西藏军区装备部

来源：

机械传动 | 2014年 / 38卷 / 12期

关键词：

最小熵反褶积; 支持向量机; 特征提取; 交叉验证; 故障诊断;

D O I：

10.16578/j.issn.1004.2539.2014.12.030

中图分类号：

TH132.41 [齿轮及齿轮传动]; TH165.3 [];

学科分类号：

082805 [农业机械化与装备工程];

摘要：

为了解决齿轮箱的故障诊断问题,提出了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)和支持向量机(Support Vector Machine,SVM)的齿轮箱故障诊断方法。该方法首先对齿轮箱振动加速度信号进行MED降噪处理,对降噪后的信号在幅域、频域和能量域进行特征参量提取,建立特征向量,以此作为输入建立多分类支持向量机,通过交叉验证方法优化模型参数,判断齿轮箱的故障类型。实测齿轮箱振动信号的故障诊断结果表明,该方法能有效识别多种齿轮和轴承的故障类型,优化模型参,数有助于提高故障识别准确率。

引用

页码：124 / 127

页数：4

共 7 条

[1]

The enhancement of fault detection and diagnosis in rolling element bearings using minimum entropy deconvolution combined with spectral kurtosis [J].

Sawalhi, N. ;

Randall, R. B. ;

Endo, H. .

MECHANICAL SYSTEMS AND SIGNAL PROCESSING, 2007, 21 (06) :2616-2633

[2]

Enhancement of autoregressive model based gear tooth fault detection technique by the use of minimum entropy deconvolution filter.[J].H. Endo;R.B. Randall.Mechanical Systems and Signal Processing.2006, 2

[3]

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取 [J].