基于CSAEMD-KECA和角结构距离的齿轮故障识别方法
Gear fault identification method based on CSAEMD-KECA and angular structure distance作者机构:杭州职业技术学院浙江杭州310018 重庆交通大学机电与车辆工程学院重庆400074 重庆长江轴承股份有限公司重庆401336
出 版 物:《机电工程》 (Journal of Mechanical & Electrical Engineering)
年 卷 期:2023年第40卷第1期
页 面:11-22页
学科分类:08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化]
主 题:机械传动系统 齿轮故障诊断 互补正弦辅助经验模式分解 核熵成分分析 聚类分析 信号分解重构 信号特征提取
摘 要:作为机械传动系统中的重要部件,齿轮经常运行在变转速变载荷工况下,直接采集到的齿轮故障信号(原始信号)往往存在强背景噪声。由于其原始信号中存在噪声信号,干扰了齿轮故障模式识别,且传统故障识别方法准确率较低,针对这一问题,提出了一种基于CSAEMD-KECA和角结构距离的齿轮故障识别方法。首先,使用互补正弦辅助经验模式分解(CSAEMD)方法对齿轮故障信号进行了分解重构,以去除信号中的噪声成分;然后,利用核熵成分分析(KECA)方法对CSAEMD分解重构后的信号进行了特征提取,选取了对样本(CSAEMD分解重构后的信号)瑞丽熵贡献值较大的3个特征向量,并将其作为投影向量,样本数据向投影向量投影形成了特征数据集;最后,搭建了故障模拟实验台,对上述方法的可行性进行了验证,采用角结构距离的聚类方法对特征数据集进行了聚类分析。研究结果表明:利用实验台数据进行的有效实验,能够准确地识别出齿轮的各种故障,其聚类准确率达到98.3%;该结果可验证基于CSAEMD-KECA和角结构距离的方法在齿轮故障识别上的有效性。