EMPE和KP-KELM在行星齿轮箱故障诊断中的应用
版权信息:站内文章仅供学习与参考,如触及到您的版权信息,请与本站联系。
信息
资料大小
4.06 MB
文件类型
PDF
语言
简体中文
资料等级
☆☆☆☆☆
下载次数
简介
针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。相关论文
- 2021-09-18330 MW空冷汽轮机低压末级712 mm动叶片的设计
- 2020-06-07离心压缩机低喘回流器的设计
- 2020-06-09微型离心泵系列联合设计
- 2020-06-06高压平行式双闸板闸阀的设计
- 2020-05-26HPK-L型热网循环泵的设计
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。