首页|基于LMD云模型与PSO-KELM的齿轮箱故障诊断

基于LMD云模型与PSO-KELM的齿轮箱故障诊断

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
由于齿轮箱故障振动信号具有非平稳性与不确定性的特点,导致齿轮箱故障诊断精度较低.针对该问题提出一种基于局部均值分解(LMD)云模型特征提取结合粒子群优化(PSO)核极限学习机(KELM)的齿轮箱故障诊断方法.首先,将故障振动信号用LMD分解得到若干PF分量,并利用相关系数原则筛选出相关性较高的PF分量;其次,在云模型中输入筛选后的PF分量,采用逆向云发生器对特征向量进行提取并输入到PSO-KELM中进行故障诊断;最后,利用QPZZ-Ⅱ实验台齿轮箱实测数据对该方法进行了性能分析.结果表明,该方法识别精度为97.65％,与多种方法进行对比,该方法具备最佳识别性能.
Gearbox Fault Diagnosis Based on the LMD Cloud Model and PSO-KELM

赵小惠、谭琦、胡胜、杨文彬、郇凯旋、张智杰

展开 >

西安工程大学 机电工程学院, 陕西 西安 710048

齿轮箱 故障诊断 局部均值分解 云模型 粒子群优化核极限学习机

国家自然科学基金陕西省科技计划陕西省社科联项目

720011662022JQ-72120ZD195-59

2023

10.16578/j.issn.1004.2539.2023.02.021

机械传动
郑州机械研究所 中国机械通用零部件工业会齿轮分会 中国机械工程学会

机械传动

CSTPCD北大核心
影响因子：0.534
ISSN：1004-2539
年,卷(期)：2023.47(2)
  • 1
  • 12