基于RCMFME和AO-ELM的齿轮箱损伤识别策略

作者：沈羽,赵旭. 日期：2024-03-06/span> 浏览：1289 查看PDF文档

基于RCMFME和AO-ELM的齿轮箱损伤识别策略*

沈羽1,赵旭2

摘要:针对模糊熵只考虑信号的局部特征而忽略信号的全局特征,导致齿轮箱故障识别的准确率不佳的问题,提出了一种基于精细复合多尺度模糊测度熵(RCMFME)、天鹰优化器(AO)优化极限学习机(ELM)的齿轮箱故障诊断方法。首先,在精细复合多尺度模糊熵的基础上,对矢量的构造方式进行了改进,提出了能够同时考虑时间序列局部特征和全局特征的RCMFME方法;随后,利用RCMFME指标提取了齿轮箱振动信号的熵值,组建了故障特征向量;接着,利用AO算法对极限学习机的参数进行了自适应搜索,生成了参数最优的多类别分类器;最后,将训练样本的故障特征向量输入至AO-ELM分类模型中进行了模型训练,以构造性能最优的分类器,并实现了对齿轮箱测试样本的故障识别目的;利用两种齿轮箱振动数据集进行了实验,在识别准确率和识别稳定性方面,与相关的特征提取方法进行了对比。研究结果表明:采用基于RCMFME和AO-ELM的故障诊断方法能够分别取得100%和98%的分类准确率,平均识别准确率分别达到了100%和98%,优于精细复合多尺度全局模糊熵(RCMGFE)、精细复合多尺度模糊熵(RCMFE)、精细复合多尺度样本熵(RCMSE)。该方法具有显著的应用潜力。
关键词:齿轮箱故障诊断;精细复合多尺度模糊测度熵;天鹰优化器;极限学习机;AO-ELM分类模型;特征提取
中图分类号:TH132.41文献标识码:A文章编号:1001-4551(2024)02-0226-10

沈羽,赵旭.基于RCMFME和AO-ELM的齿轮箱损伤识别策略［J］.机电工程,2024,40(2):226-235.
SHEN Yu, ZHAO Xu. Gearbox damage identification strategy based on RCMFME and AO-ELM［J］.Journal of Mechanical & Electrical Engineering, 2024,40(2):226-235.