文献类型：期刊文章

作　　者：吴守军[1,2] 陈健[3] 冯辅周[1] 周超极[4] 吴春志[1] 卫恒[5]

WU Shoujun;CHEN Jian;FENG Fuzhou;ZHOU Chaoji;WU Chunzhi;WEI Heng(Department of Vehicle Engineering, Army Academy of Armored Forces, Beijing 100072, China;Unit 63963 of PLA, Beijing 100072, China;School of Physical Education, Shaanxi Normal University, Xi’an 710119, China;Institute of System Engineering, Academy of Military Sciences, Beijing 100141, China;Unit 32021 of PLA, Beijing 100094, China)

机构地区：[1]陆军装甲兵学院车辆工程系,北京100072 [2]中国人民解放军63963部队,北京100072 [3]陕西师范大学体育学院,西安710119 [4]军事科学院系统工程研究院,北京100141 [5]中国人民解放军32021部队,北京100094

出　　处：《西安交通大学学报》

基　　金：国家自然科学基金资助项目(51875575,51875576)。

年　　份：2021

卷　　号：55

期　　号：6

起止页码：61-68

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对利用精细复合多尺度散布熵(RCMDE)特征在行星齿轮裂纹故障识别时存在噪声鲁棒性差、尺度选择依赖人工等不足,通过改进RCMDE特征,提出一种基于自适应精细复合多尺度散布熵(ARCMDE)特征的行星齿轮裂纹故障识别方法。改进从以下3个方面展开:首先在计算RCMDE特征前利用变分模态分解(VMD)算法对信号进行分解,以获取预设数量的固有模态分量(IMF),再计算IMF与原信号的互信息,选取互信息大于阈值的IMF重构信号,实现降噪预处理;然后提出特征重合度及其计算公式,评价多个状态样本的均值标准差之间的重叠交叉情况,利用特征重合度选择较好的若干尺度构建特征向量;最后,结合粒子群优化(PSO)与支持向量机(SVM)实现故障模式识别。行星变速箱实验数据验证结果表明,与多尺度散布熵(MDE)和RCMDE特征相比,采用改进的ARCMDE特征构建的特征向量输入PSO-SVM的分类准确率提高了20%以上,验证了所提裂纹识别方法的有效性和优势。

关 键 词：行星齿轮 故障诊断 信息熵 支持向量机 多尺度熵  

分 类 号：TM132]