首页  |  期刊简介  |  期刊荣誉  |  编委会  |  现任主编  |  投稿指南  |  下载中心  |  期刊征订  |  学术不端检测
中文核心期刊
Ei Compendex收录期刊
中国科学引文数据库来源期刊
中文科技期刊数据库收录期刊
国际刊号:1004-6801
国内刊号:32-1361/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中华人民共和国工业
              和信息化部
  • 主办:南京航空航天大学
              全国高校机械工程
              测试技术研究会
  • 国际刊号:1004-6801
  • 国内刊号:32-1361/V
  • 地址:南京市御道街29号
  • 电话:025-8489 3332
  • 传真:025-8489 3332
  • E-mail:qchen@nuaa.edu.cn
  • 邮编:210016
基于Kernel‑MCCA特征融合的齿轮故障诊断方法
Gear Fault Diagnosis Method Based on Kernel‑MCCA Feature Fusion
  
DOI:10.16450/j.cnki.issn.1004-6801.2022.03.014
中文关键词:  特征融合  齿轮故障  多重集典型相关分析  核函数
英文关键词:feature fusion  gear failure  multiset canonical correlation analysis(MCCA)  kernel function theory
基金项目:国家自然科学基金资助项目(51775409)
作者单位
苏宇 (西安交通大学机械工程学院 西安710049) 
温广瑞 (西安交通大学机械工程学院 西安710049) 
徐斌 (西安交通大学机械工程学院 西安710049) 
张志芬 (西安交通大学机械工程学院 西安710049) 
石文杰 (西安交通大学机械工程学院 西安710049) 
摘要点击次数: 30
全文下载次数: 29
中文摘要:
      针对转速波动工况下齿轮故障难以辨识的问题,提出了一种基于核函数的多重集典型相关分析方法(kernel-multiset canonical correlation analysis,简称Kernel?MCCA),实现基于多传感信息的特征层融合,并将其应用到转速波动工况下的齿轮断齿、点蚀、磨损以及剥落故障的辨识。首先,将多传感器采集的振动信号进行小波包分解,计算能量特征矩阵;其次,利用多重集典型相关分析进行特征层融合,构建的融合特征输入到K近邻(K-nearest neighbor,简称KNN)分类器中并输出诊断结果;最后,利用齿轮振动实验台进行实验研究。结果表明,笔者所提的特征融合方法比单传感器方法识别准确率提高了5%左右,比传统的多重典型相关分析特征融合方法识别准确率提高了2%左右,可有效解决转速波动下齿轮故障状态辨识问题。
英文摘要:
      Under speed fluctuation conditions, the characteristics of gear vibration signals captured by a single vibration acceleration sensor will be weakened due to the increase in the amount of interference such as random noise, resulting in a decrease in the accuracy of fault identification based on the information of a single sensor. Aiming at this problem, this paper proposes a kernel multiset canonical correlation analysis method based on kernel theory, which realizes the fusion of feature layers based on multi-sensor information and is applied to identificate broken gear, pitting, wear and peeling failure at fluctuated rotational speed conditions. This method decomposes the vibration signals collected by multiple sensors by wavelet packet decomposition, calculates the energy feature matrix, and then uses the multi-set canonical correlation analysis to perform feature layer fusion. The fusion features are input to a K-nearest neighbor (KNN) classifier. Experiments on a gear vibration test bench show that the feature fusion method proposed in this paper improves the recognition accuracy by 5% compared with the single-sensor method, and improves the recognition accuracy by 2%, which can effectively solve the problem of gear fault identification under speed fluctuation.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《振动、测试与诊断》

地址:南京市御道街29号        邮编:210016

电话:025-8489 3332      传真:025-8489 3332       E-mail:qchen@nuaa.edu.cn

您是本站第2927497位访问者 本站今日一共被访问578

技术支持:北京勤云科技发展有限公司