基于IITD样本熵和支持向量机的齿轮故障诊断方法

简介

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法（Improve Intrinsic Timescale Decomposition,简称IITD）方法。齿轮振动信号具有非平稳特征,其典型的故障样本难以获取,为此进一步提出了一种基于IITD样本熵和支持向量机的齿轮故障诊断方法。采用IITD法对非平稳的原始加速度振动信号进行分解,并提取包含主要故障特征信息的PR分量,将其样本熵值作为特征向量;然后将特征向量输入到支持向量机中识别齿轮的故障特征。实验分析结果表明：相比BP神经网络,能更有效地应用于齿轮的故障诊断。