基于RTSMFE、M-KRCDA与COA-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号中提取故障特征困难的问题,提出了一种基于精细时移多尺度模糊熵(refined time-shift multiscale fuzzy entropy,RTSMFE)、马氏距离的核正则化共面判别分析(Mahalanobis-kernel regularized coplanar discriminant analysis,M-KRCDA)以及郊狼优化算法优化支持向量机(coyote optimization algorithm-support vector machine,COA-SVM)的行星齿轮箱故障诊断方法。首先利用RTSMFE计算和组合行星齿轮箱原始故障信号的特征向量,构建原始高维故障特征集;然后采用M-KRCDA的特征筛选方法,减少了特征的维数并提高特征故障识别的准确性和效率;最后将低维特征输入到COA-SVM进行故障类型的判别。行星齿轮箱故障诊断试验结果分析表明,所提方法能够准确识别行星齿轮箱的常见故障,具有一定的应用前景。

基于JS-VME-DBN和MS-UMAP的行星齿轮箱故障诊断方法

为了解决行星齿轮箱振动信号存在噪声干扰和特征提取困难的问题,提出一种基于水母搜索优化变分模态提取(JS-VME)、深度置信网络(DBN)和监督型马氏距离的均匀流形逼近与投影算法(MSUMAP)的行星齿轮箱故障诊断方法。采集行星齿轮箱的振动信号,利用JS-VME对其进行预处理,获得相关性较强的期望IMF(intrinsic mode function)分量;然后将该IMF分量应用DBN提取特征向量,构建高维故障特征集;采用MS-UMAP进行维数约减,获得低维、敏感的故障特征;将低维故障特征集应用水母搜索优化核极限学习机(JS-KELM)判别故障类型。行星齿轮箱故障诊断实验结果表明:与UMAP、t-SNE、Isomap、LPP、WIsomap、LLE、LTSA和MDS等方法相比,MS-UMAP算法对JS-VME-DBN的特征提取结果有着最佳的降维效果,所提方法对行星齿轮箱的裂纹、磨损和缺齿等故障的识别率达到了100%,具有一定的有效性。