發(fā)布時(shí)間：2018-01-14 18:41

  本文關(guān)鍵詞：基于EEMD和ELM的齒輪故障狀態(tài)識(shí)別　出處：《組合機(jī)床與自動(dòng)化加工技術(shù)》2017年09期 　論文類(lèi)型：期刊論文

  更多相關(guān)文章： 極限學(xué)習(xí)機(jī)(ELM) 齒輪故障 故障識(shí)別

【摘要】：由于傳統(tǒng)智能故障診斷方法所需調(diào)整參數(shù)多且難以確定、訓(xùn)練速度慢,致使齒輪軸承故障分類(lèi)精度、效率差的問(wèn)題,提出一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解與極限學(xué)習(xí)機(jī)結(jié)合的齒輪診斷方法。首先將采集的信號(hào)經(jīng)EEMD后,提取與原信號(hào)相關(guān)較大的IMF能量指標(biāo),建立齒輪的極限學(xué)習(xí)機(jī)故障分類(lèi)模型;最后,將能量指標(biāo)組成的特征向量作為模型輸入進(jìn)行齒輪不同故障狀態(tài)的分類(lèi)識(shí)別。把ELM識(shí)別的結(jié)果與SVM識(shí)別結(jié)果作對(duì)比,結(jié)果表明ELM的齒輪故障診斷方法具有較快的運(yùn)行速度、較高的分類(lèi)精度。
[Abstract]:The traditional intelligent fault diagnosis method needs many adjustment parameters and is difficult to determine, and the training speed is slow, which leads to the problem of fault classification accuracy and low efficiency of gear bearing. A gear diagnosis method based on the combination of set empirical mode decomposition and ultimate learning machine is proposed. Firstly, the collected signal is extracted by EEMD, and the IMF energy index which is related to the original signal is extracted. The fault classification model of the ultimate learning machine is established. Finally, the eigenvector composed of energy index is used as model input to classify and identify different fault states of gears, and the results of ELM recognition and SVM recognition are compared. The results show that the method of gear fault diagnosis based on ELM has faster running speed and higher classification accuracy.
【作者單位】： 沈陽(yáng)理工大學(xué)機(jī)械工程學(xué)院;
【基金】：遼寧省科技工業(yè)公關(guān)項(xiàng)目(2013220022)
【分類(lèi)號(hào)】：TH132.41
【正文快照】： 0引言齒輪作為機(jī)械設(shè)備中的關(guān)鍵零部件,整臺(tái)設(shè)備的性能與齒輪運(yùn)行狀態(tài)的正常與否有直接關(guān)系。因此,齒輪相關(guān)的故障診斷技術(shù)一直是故障診斷領(lǐng)域的研究熱點(diǎn)。隨著人工智能的發(fā)展,各種智能診斷方法也不斷融入故障診斷領(lǐng)域。如:ELM(Extreme Learning Ma-chine)模型具有學(xué)習(xí)速度快,

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 朱世祥;;淺議齒輪故障檢測(cè)[J];吉林農(nóng)業(yè);2010年06期

2 湯和;應(yīng)懷樵;汪元輝;張策;;用齒輪噪聲特性診斷齒輪故障的研究[J];齒輪;1986年04期

3 高明;齒輪故障分析及診斷[J];電大理工;2000年01期

4 皮駿;廖明夫;;利用小波包絡(luò)診斷齒輪故障[J];機(jī)械設(shè)計(jì);2005年11期

5 孔文濤;許益華;;齒輪故障的原因及診斷[J];石油和化工設(shè)備;2009年03期

6 艾延廷,盛元生;時(shí)域分析技術(shù)在齒輪故障檢測(cè)中的應(yīng)用[J];振動(dòng)、測(cè)試與診斷;1992年04期

7 潘嘉祺;《齒輪故障模擬器的開(kāi)發(fā)和研制》項(xiàng)目通過(guò)科技成果鑒定[J];上海冶金高等專(zhuān)科學(xué)校學(xué)報(bào);2000年02期

8 陳明華 ,陳海林 ,江建忠;齒輪故障的振動(dòng)診斷及案例分析[J];中國(guó)設(shè)備工程;2005年07期

9 陳亮;;應(yīng)用振動(dòng)峰值能量對(duì)齒輪故障的診斷[J];中國(guó)設(shè)備工程;2008年04期

10 張桂才，趙萬(wàn)鎰;幅值立方法──一種新的齒輪故障信號(hào)預(yù)處理方法[J];機(jī)械傳動(dòng);1994年03期

相關(guān)會(huì)議論文 前2條

1 明廷鋒;張永祥;仰德標(biāo);;齒輪故障診斷技術(shù)研究綜述[A];第十屆全國(guó)設(shè)備監(jiān)測(cè)與診斷技術(shù)學(xué)術(shù)會(huì)議論文集[C];2000年

2 張玉奎;周火青;;提升小波分析在齒輪故障中的應(yīng)用[A];2012中國(guó)（唐山）綠色鋼鐵高峰論壇暨冶金設(shè)備、節(jié)能減排技術(shù)推介會(huì)論文集/推介指南[C];2012年

相關(guān)碩士學(xué)位論文 前10條

1 董傳洋;基于MCSA的齒輪故障診斷技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 張姍姍;基于蜂群優(yōu)化的支持向量機(jī)齒輪故障診斷技術(shù)研究[D];東北石油大學(xué);2015年

3 王亞麗;大型冷卻塔風(fēng)機(jī)齒輪故障分析及監(jiān)控技術(shù)研究[D];天津科技大學(xué);2015年

4 王勝江;齒輪故障振動(dòng)信號(hào)特征提取方法研究[D];石家莊鐵道大學(xué);2016年

5 魏維格;基于圖像識(shí)別的齒輪故障診斷方法研究[D];鄭州大學(xué);2016年

6 歷敏;非平穩(wěn)轉(zhuǎn)速齒輪故障診斷方法研究[D];哈爾濱工業(yè)大學(xué);2016年

7 王博磊;基于嚙合形態(tài)分析的齒輪故障診斷技術(shù)研究[D];河北科技大學(xué);2016年

8 高爽;齒輪故障特征參數(shù)提取及最佳特征參數(shù)選擇研究[D];沈陽(yáng)航空航天大學(xué);2017年

9 趙年偉;基于聲發(fā)射技術(shù)的齒輪故障監(jiān)測(cè)[D];沈陽(yáng)工業(yè)大學(xué);2013年

10 Simon Romli;基于包絡(luò)分析的齒輪故障監(jiān)測(cè)及基于人工神經(jīng)網(wǎng)絡(luò)的齒輪故障分類(lèi)[D];重慶大學(xué);2011年

，

本文編號(hào)：1424839