基于HRFDE和GSA-PNN的旋轉機械故障識別模型

作者：赫大雨,王強. 日期：2023-12-26/span> 瀏覽：1045 查看PDF文檔

摘要:采用波動散布熵只能提取故障振動信號的單一尺度特征,而多尺度反向波動散布熵(MRFDE)無法分析信號的高頻特性信息,導致提取的故障特征不夠全面,進而影響旋轉機械故障識別準確率,針對這一問題,提出了一種基于層次反向波動散布熵(HRFDE)和引力搜索算法優化概率神經網絡(GSAPNN)的旋轉機械故障診斷模型(方法)。首先,利用層次分割處理代替MRFDE中的粗?；幚?提出了可以同時提取信號中低頻段信息和高頻段信息的HRFDE方法,并用于全面表征旋轉機械故障特征中的低頻和高頻信息,從而生成了故障特征樣本;然后,采用引力搜索算法(GSA)方法對概率神經網絡(PNN)分類器的平滑因子進行了快速優化,建立了GSAPNN多故障分類模型,對旋轉機械的故障類型進行了識別和檢測;最后,利用滾動軸承和齒輪箱兩種典型的故障數據集,對基于HRFDE方法和GSA-PNN分類器的故障診斷方法的有效性和穩定性進行了實驗分析,并將其與現有基于MRFDE、多尺度波動散布熵(MFDE)和層次散布熵(HDE)的故障特征提取方法進行了對比分析。研究結果表明:基于HRFDE方法和GSAPNN分類器的故障診斷方法可以精準地識別旋轉機械的不同故障類型,對兩種數據集的識別準確率均達到了98%;而在犧牲部分故障識別效率的基礎上,能夠獲得優于其他對比方法的故障識別準確率,其具有更好的綜合性能。

關鍵詞:旋轉機械;反向波動散布熵;層次反向波動散布熵;故障分類器;引力搜索算法;概率神經網絡

中圖分類號:TH133.3文獻標識碼:A文章編號:1001-4551(2023)12-1869-11


赫大雨,王強.基于HRFDE和GSA-PNN的旋轉機械故障識別模型［J］.機電工程,2023,40(12):1869-1879.

HE Dayu, WANG Qiang. Fault identification model of rotating machinery based on HRFDE and GSA-PNN［J］.Journal of Mechanical & Electrical Engineering, 2023,40(12):1869-1879.