首页|有界广义GMM和无阈值递归图的特征提取方法及应用

有界广义GMM和无阈值递归图的特征提取方法及应用

扫码查看
原文链接
  • 万方数据
  • 维普
齿轮传动广泛应用于机械设备中,这使得及时、有效地诊断齿轮故障变得十分重要.针对齿轮箱振动信号的非线性和非平稳特性,传统的信号分析方法难以识别不同的齿轮失效模式,提出了一种采用有界广义高斯混合模型(Bounded Generalized Gaussian Mixture Model,BGGMM)进行无阈值递归图(Un-Thresholded Recurrence Plot,URP)特征提取的新方法,并将其应用于齿轮故障分类识别.首先基于相空间重构理论,将不同齿轮故障状态的原始时域振动信号转化为URPs.然后对欧式距离分布的直方图进行归一化,采用有界广义高斯混合模型拟合直方图,提取混合模型参数,作为不同类型齿轮故障的特征向量.利用齿轮传动实验装置采集的原始振动信号验证了该方法的有效性,结果表明该方法能有效地对不同类型的齿轮故障进行分类.
Feature Extraction Method and Application of Bounded Generalized Gaussian Mixture Model and Un-Thresholded Recurrence Plot

赵心阳、肖涵、吕勇

展开 >

武汉科技大学机械自动化学院,湖北武汉 430081

武汉科技大学冶金装备及其控制教育部重点实验室,湖北武汉 430081

无阈值递归图 有界广义高斯混合模型 齿轮 故障分类

国家自然科学基金

51875416

2022

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2022.375(5)
  • 2
  • 8