由于供输弹系统早期故障信号成分复杂,故障特征微弱,故提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与以冯诺依曼拓扑结构(VN)改进鲸鱼算法(WOA)优化下的最小二乘支持向量机(LSSVM)的故障诊断方法。在对所测信号进行预处理即去趋势项和零点漂移后,通过CEEMDAN对供输弹信号进行分解,得出模态分量(IMF);然后依据相关系数和峭度准则这两个标准来选取符合标准的IMF分量,提取这些分量的分布熵(DE)作为特征;最后用VNWOA-LSSVM诊断模型,输入供输弹系统3种不同工况下的振动信号特征进行故障诊断,并且还对比了LSSVM、PSO-LSSVM、GA-LSSVM和WOA-LSSVM等方法对故障的识别率。实验结果表明:这些方法中经VNWOA优化后的LSSVM的识别率最高,高达94.03%。

针对供输弹系统早期采集的信号中成分复杂,故障特征难以提取和识别的问题,提出一种基于模糊熵与布谷鸟改进的极限学习机(CS-ELM)的供输弹系统早期故障预示方法。运用改进的可调品质因子小波变换对信号进行滤波降噪,提取各子带信号的模糊熵特征;选取模糊熵值较大的5个子带进行重构,完成降噪并将其模糊熵组成特征向量;运用CS-ELM对所提取的特征向量进行早期故障预示并与ELM的诊断结果进行对比。试验结果验证了该方法的有效性,其预示准确率达90.7%。

针对齿轮箱复合故障信号成分复杂和故障特征难以识别的问题,提出基于多分辨奇异值分解(MRSVD)能量特征和模糊核聚类(KFCM)的齿轮箱复合故障诊断方法。首先,采集齿轮箱不同工况下的振动信号,通过进行MRSVD分解得到1个相似信号和5个细节信号;然后,提取6个分量信号的能量特征并进行归一化处理,得其能量相对值;最后,使用KFCM进行故障诊断。实验结果表明,MRSVD能量特征提取方法可有效提取齿轮箱复合故障特征,且KFCM可准确诊断齿轮箱复合故障。