基于变分模态分解和符号熵的齿轮故障诊断方法

李梅红; 连威

doi:10.16578/j.issn.1004.2539.2019.03.032

您当前的位置：

首页 >

文章列表页 >

基于变分模态分解和符号熵的齿轮故障诊断方法

开发应用 | 更新时间：2022-10-03

- 基于变分模态分解和符号熵的齿轮故障诊断方法
- Gear Fault Diagnosis Method based on Variational Modal Decomposition and Symbol Entropy
- 机械传动 2019年43卷第3期页码：161-165
- 作者机构：
  
  1.天津工业职业学院机械工程系，天津 300400
  2.重庆大学机械工程学院，重庆 404000
- 作者简介：
  
  李梅红（1972— ），女，天津市人，副教授，主要研究方向为机械制造及其自动化。
- 基金信息：
- DOI：10.16578/j.issn.1004.2539.2019.03.032
  中图分类号：
扫描看全文
李梅红,连威.基于变分模态分解和符号熵的齿轮故障诊断方法[J].机械传动,2019,43(03):161-165.

Li Hongmei,Lian Wei.Gear Fault Diagnosis Method based on Variational Modal Decomposition and Symbol Entropy[J].Journal of Mechanical Transmission,2019,43(03):161-165.
李梅红,连威.基于变分模态分解和符号熵的齿轮故障诊断方法[J].机械传动,2019,43(03):161-165. DOI： 10.16578/j.issn.1004.2539.2019.03.032.

Li Hongmei,Lian Wei.Gear Fault Diagnosis Method based on Variational Modal Decomposition and Symbol Entropy[J].Journal of Mechanical Transmission,2019,43(03):161-165. DOI： 10.16578/j.issn.1004.2539.2019.03.032.

摘要

为提高齿轮的故障诊断效果，提出了基于变分模态分解（Variational Modal Decomposition，VMD）和符号熵（Symbol Entropy， SE）的齿轮故障诊断方法。首先，利用VMD对齿轮故障振动信号进行分解，得到若干个本征模态分量（Intrinsic Mode Function，IMF）；然后，计算IMF分量的符号熵，并将IMF符号熵组成齿轮故障特征向量；最后，将特征向量输入SVM进行故障诊断。齿轮故障诊断实测结果验证了该方法的有效性和优势。

Abstract

In order to improve diagnosis accuracy of gear，a fault diagnosis method of gear based on variational modal decomposition （VMD） and symbol entropy （SE） is proposed. Firstly， the gear vibration signals is decomposed into several intrinsic mode Function （IMF） which with different frequency components. Secondly，SE values of each IMF are calculated as fault feature vectors that could represent the operating conditions of gear. Finally，the fault feature is put into SVM to identify different faults. Experiment results of gear show that the proposed method has certain superiority.

关键词

变分模态分解符号熵支持向量机故障诊断齿轮

Keywords

Variational modal decompositionSymbol entropySupport vector machineFault diagnosisGear

references

林近山，陈前. 基于多重分形去趋势波动分析的齿轮箱故障特征提取方法［J］. 振动与冲击， 2013，32（2）：97-101.

刘春林，潘宏侠，史斐娜，等. 基于MF-DFA和SVM的齿轮箱故障诊断［J］. 机械传动， 2014， 38（12）：119-123.

林近山，窦春红，寇兴磊. 基于时变滤波经验模式分解的齿轮箱故障诊断［J］. 机械传动， 2018， 42（1）：98-101.

费春红，赵光胜，寇兴磊. 基于CEEMDAN能量熵的齿轮状态识别［J］. 机械传动， 2018， 42（1）：102-105.

杨望灿，张培林，吴定海，等. 基于EEMD和奇异熵增量谱的齿轮故障特征提取［J］. 机械传动， 2014， 38（2）：141-146.

DRYAGOMIRETSKI K， ZOSSO D. Variational mode decomposition［J］. TEEE Transaction on Signal Processing， 2014， 62（3）：531-544.

赵洪山，郭双伟，高夺. 基于奇异值分解和变分模态分解的轴承故障特征提取［J］. 振动与冲击， 2016， 35（22）：183-188.

WANG Y， MARKERT R， XIANG J， etal. Reasrch on variational mode decomposition and its application in detceting rub-impact fault of the rotor sstem［J］. Mechanical System and Signal Process， 2015， 60：243-251.

钱林，康敏，傅秀清，等. 基于VMD的自适应形体学在轴承故障诊断中的应用［J］. 振动与冲击， 2017， 36（3）：227-233.

张淑清，孙国秀，李亮，等. 基于LMD近似熵和FCM聚类的机械故障诊断研究［J］. 仪器仪表学报， 2013， 34（3）：714-720.

向丹，葛爽. 基于EMD样本熵-LLTSA的故障特征提取方法［J］. 航空动力学报， 2014， 29（7）：1535-1542.

张良，张前图. 基于LCD模糊熵和流行学习的故障特征提取方法［J］. 机械强度， 2016， 38（2）：225-230.

贾峰，武兵，熊晓燕，等. 基于多维度排列熵和支持向量机的轴承早期故障诊断方法［J］. 计算机集成制造系统， 2014， 20（9）：2275-2282.

DONG Guo Zhu， PEI Jian. Sequence data mining［M］. New York，USA：Springer-Verlag New York Inc， 2007：31-32.

张豪，陈黎飞，郭躬德. 基于符号熵的序列相似性度量方法［J］. 计算机工程， 2016， 42（5）：201-207.

徐卓飞，刘凯. 基于极值符号序列分析的 EMD端点效应处理方法［J］. 振动、测试与诊断， 2015， 35（2）：306-315.

和卫星，陈晓平. LZ复杂度算法中的二值化方法分析及改进［J］. 江苏大学学报（自然科学版）， 2004， 26（3）：261-264.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进多尺度均值排列熵和参数优化SVM的齿轮箱故障诊断方法

基于最大信息系数的动态加权特征融合的齿轮箱故障诊断

基于改进天牛须搜索优化SVM的车辆变速箱故障诊断

基于改进特征选择方法的齿轮故障SVM诊断

基于局部特征尺度分解和数学形态滤波的齿轮故障诊断方法研究