基于EEMD和ELM的齿轮故障状态识别

发布时间：2018-01-14 18:41

  本文关键词：基于EEMD和ELM的齿轮故障状态识别　出处：《组合机床与自动化加工技术》2017年09期 　论文类型：期刊论文

  更多相关文章： 极限学习机(ELM) 齿轮故障 故障识别

【摘要】：由于传统智能故障诊断方法所需调整参数多且难以确定、训练速度慢,致使齿轮轴承故障分类精度、效率差的问题,提出一种基于集合经验模态分解与极限学习机结合的齿轮诊断方法。首先将采集的信号经EEMD后,提取与原信号相关较大的IMF能量指标,建立齿轮的极限学习机故障分类模型;最后,将能量指标组成的特征向量作为模型输入进行齿轮不同故障状态的分类识别。把ELM识别的结果与SVM识别结果作对比,结果表明ELM的齿轮故障诊断方法具有较快的运行速度、较高的分类精度。
[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.
【作者单位】： 沈阳理工大学机械工程学院;
【基金】：辽宁省科技工业公关项目(2013220022)
【分类号】：TH132.41
【正文快照】： 0引言齿轮作为机械设备中的关键零部件,整台设备的性能与齿轮运行状态的正常与否有直接关系。因此,齿轮相关的故障诊断技术一直是故障诊断领域的研究热点。随着人工智能的发展,各种智能诊断方法也不断融入故障诊断领域。如:ELM(Extreme Learning Ma-chine)模型具有学习速度快,

【相似文献】

相关期刊论文 前10条

1 朱世祥;;浅议齿轮故障检测[J];吉林农业;2010年06期

2 汤和;应怀樵;汪元辉;张策;;用齿轮噪声特性诊断齿轮故障的研究[J];齿轮;1986年04期

3 高明;齿轮故障分析及诊断[J];电大理工;2000年01期

4 皮骏;廖明夫;;利用小波包络诊断齿轮故障[J];机械设计;2005年11期

5 孔文涛;许益华;;齿轮故障的原因及诊断[J];石油和化工设备;2009年03期

6 艾延廷,盛元生;时域分析技术在齿轮故障检测中的应用[J];振动、测试与诊断;1992年04期

7 潘嘉祺;《齿轮故障模拟器的开发和研制》项目通过科技成果鉴定[J];上海冶金高等专科学校学报;2000年02期

8 陈明华 ,陈海林 ,江建忠;齿轮故障的振动诊断及案例分析[J];中国设备工程;2005年07期

9 陈亮;;应用振动峰值能量对齿轮故障的诊断[J];中国设备工程;2008年04期

10 张桂才，赵万镒;幅值立方法──一种新的齿轮故障信号预处理方法[J];机械传动;1994年03期

相关会议论文 前2条

1 明廷锋;张永祥;仰德标;;齿轮故障诊断技术研究综述[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

2 张玉奎;周火青;;提升小波分析在齿轮故障中的应用[A];2012中国（唐山）绿色钢铁高峰论坛暨冶金设备、节能减排技术推介会论文集/推介指南[C];2012年

相关硕士学位论文 前10条

1 董传洋;基于MCSA的齿轮故障诊断技术研究[D];哈尔滨工业大学;2015年

2 张姗姗;基于蜂群优化的支持向量机齿轮故障诊断技术研究[D];东北石油大学;2015年

3 王亚丽;大型冷却塔风机齿轮故障分析及监控技术研究[D];天津科技大学;2015年

4 王胜江;齿轮故障振动信号特征提取方法研究[D];石家庄铁道大学;2016年

5 魏维格;基于图像识别的齿轮故障诊断方法研究[D];郑州大学;2016年

6 历敏;非平稳转速齿轮故障诊断方法研究[D];哈尔滨工业大学;2016年

7 王博磊;基于啮合形态分析的齿轮故障诊断技术研究[D];河北科技大学;2016年

8 高爽;齿轮故障特征参数提取及最佳特征参数选择研究[D];沈阳航空航天大学;2017年

9 赵年伟;基于声发射技术的齿轮故障监测[D];沈阳工业大学;2013年

10 Simon Romli;基于包络分析的齿轮故障监测及基于人工神经网络的齿轮故障分类[D];重庆大学;2011年

，

本文编号：1424839