基于时频特性和PCA-RBF神经网络的齿轮箱故障诊断

针对齿轮箱故障诊断中仅单方面从时域、频域和时频域提取特征向量,导致特征指标具有很大片面性的问题,提出了一种基于时频特性和PCA-RBF神经网络的齿轮箱故障诊断方法。首先利用统计分析和总体经验模态分解(EEMD)方法,构造高维混合域初始特征向量;然后通过主成分分析法(PCA)对高维初始特征向量进行降维和简化;最后将经过PCA处理的主特征向量输入到径向基函数(Radial Basis Function,RBF)神经网络中实现故障的识别。实验结果表明,采用该方法能够有效识别齿轮箱的故障。