文献类型：期刊文章

作　　者：周继彦[1] 柳金峰[1] 胡义华[2]

ZHOU Jiyan;LIU Jinfeng;HU Yihua(College of Robotics,Guangdong Provincial Science and Technology Cadre College,Zhuhai 519000,China;The Institute of International Education,Guangxi University of Science and Technology,Liuzhou 545006,China)

机构地区：[1]广东省科技干部学院机器人学院,广东珠海519000 [2]广西科技大学国际教育学院,广西柳州545006

出　　处：《机电工程》

基　　金：广东省教育厅重点领域专项(2022ZDZX1055);广东省教育厅科研项目(2021KTSCX218);广东省普通高校重点科研项目(2022ZDZX4075);广东省智能装备制造工程研究中心项目(2021GCZX018);广东省普通高校特色创新项目(2022KTSCX251)。

年　　份：2024

卷　　号：41

期　　号：6

起止页码：1027-1038

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对基本熵的区域划分标准不理想,导致无法有效测量振动信号的复杂度,使故障诊断的准确率不佳这一问题,提出了一种基于改进多尺度改进基本熵(IMIBSE)、等距特征映射(ISOMAP)和随机森林(RF)的旋转机械故障诊断方法。首先,采用基于方差的区域划分准则对基本熵进行了改进,结合改进的粗粒化处理,提出了IMIBSE,并将其用于提取故障特征;随后,利用ISOMAP对原始故障特征进行了特征降维,选择了对分类贡献最大的一组特征作为故障敏感特征;最后,基于RF建立了多故障分类器,将故障敏感特征输入至RF模型进行了训练和测试,实现了旋转机械的故障识别,利用齿轮箱和离心泵两种故障数据集将IMIBSE方法与复合多尺度基本熵、多尺度改进基本熵、多尺度基本熵进行了比较和分析。研究结果表明:IMIBSE不仅具有最佳的可视化效果,而且取得的识别准确率最高,二者均达到了100%,而二者的平均分类准确率分别为100%和99.8%;相较于其他故障诊断方法,IMIBSE方法的准确率更高,而且适用于小样本的故障识别问题。

关 键 词：齿轮箱 离心泵 故障诊断 改进多尺度改进基本熵  等距特征映射 随机森林  改进的粗粒化处理  

分 类 号：TH133.3]