申请/专利权人:淮阴工学院
申请日:2023-05-12
公开(公告)日:2023-07-21
公开(公告)号:CN116465624A
主分类号:G01M13/021
分类号:G01M13/021;G01M13/028
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.08.08#实质审查的生效;2023.07.21#公开
摘要:本发明公开了一种基于HNGO优化KELM的齿轮箱故障诊断方法,包括以下步骤:1)使用小波硬阈值去噪方法对齿轮箱原始信号进行去噪;2)通过改进的自适应噪声完全集合经验模态分解ICEEMDAN分解去噪后的齿轮箱信号,获得一系列模态分量IMF,使用信息熵筛选出最优的IMF,得到重构信号;3)在正弦余弦算法中引入正弦因子和余弦权重系数得到混合正弦余弦算法;4)利用Tent混沌映射、混合正弦余弦算法以及高斯变异算法优化北方苍鹰算法NGO,得到HNGO;5)HNGO对核极限学习机KELM中正则化系数和核函数参数进行优化,构造HNGO‑KELM模型,利用训练好的HNGO‑KELM模型进行齿轮箱故障诊断。与现有技术相比,本发明所建立的模型有效地提高了齿轮箱故障诊断结果的准确率。
主权项:1.一种基于HNGO优化KELM的齿轮箱故障诊断方法,其特征在于,包括如下步骤:步骤1:使用小波硬阈值去噪方法对齿轮箱原始信号进行去噪;步骤2:通过改进的自适应噪声完全集合经验模态分解ICEEMDAN分解去噪后的齿轮箱信号,获得一系列模态分量IMF,使用信息熵筛选出最优的IMF,得到重构信号;所述改进的自适应噪声完全集合经验模态分解ICEEMDAN选取被EMD分解后的第K个白噪声IMF分量;步骤3:在正弦余弦算法中引入正弦因子和余弦权重系数得到混合正弦余弦算法;步骤4:利用Tent混沌映射初始化北方苍鹰算法的种群,并利用步骤3的混合正弦余弦算法更新苍鹰最优解,并利用高斯变异算法优化北方苍鹰算法NGO提高算法的局部搜索能力,得到HNGO;步骤5:HNGO对核极限学习机KELM中正则化系数和核函数参数进行优化,构造HNGO-KELM模型,利用训练好的HNGO-KELM模型进行齿轮箱故障诊断。
全文数据:
权利要求:
百度查询: 淮阴工学院 基于HNGO优化KELM的齿轮箱故障诊断方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。