基于参数优化VMD和多尺度排列熵的齿轮故障诊断

针对齿轮故障特征在单一尺度难以全面提取的问题,提出一种基于参数优化的变分模态分解和多尺度排列熵的齿轮故障诊断方法。利用改进的蝙蝠算法对变分模态分解中的参数K和α进行全局寻优,以局部极小包络熵作为适应度值,搜寻K和α的最优组合。经VMD分解得到既定的若干IMF分量,分别计算其相应的多尺度排列熵,构建故障特征向量,输入到极限学习机进行训练和识别,进而实现齿轮的故障诊断。实验表明,该方法具有非常好的分类性能,故障诊断效果显著。

基于LabVIEW的无线齿轮监测系统设计

齿轮状态的监测通常采用有线连接的方式进行,会受到空间的制约。为了提高监测的识别效果,利用LabVIEW编程语言和改进的天牛须算法优化支持向量机的无线齿轮故障监测系统。通过LabVIEW软件及相关硬件无线控制下位机进行齿轮箱振动信号的采集和传输,获取常见的时频及小波能量特征,再利用LabVIEW中MATLAB Script导入改进的天牛须算法优化支持向量机程序进行训练,通过训练好的模型识别不同的齿轮故障类别。整个系统集远程采集、数据库存储、邮件报警、数据处理于一体。实例验证表明,该系统具有良好的识别效果,能满足实际应用。