基于优化VMD和ELM的行星齿轮箱故障诊断方法研究
杨荣坤
姜宏
章翔峰
新疆大学 智能制造现代产业学院,乌鲁木齐 830049
摘要：[目的]针对行星齿轮箱结构复杂导致振动信号故障特征提取困难,且传统处理方法高度依赖专业经验的问题,提出一种融合白鲸优化(Beluga Whale Optimization,BWO)算法优化变分模态分解(Variational Mode Decomposition,VMD)、多尺度排列熵(Multi-scale Permutation Entropy,MPE)与极限学习机(Extreme Learning Machine,ELM)的故障诊断新方法.[方法]首先,利用BWO算法以包络熵最小为目标函数,对VMD的分解层数K、惩罚因子α进行了组合寻优,实现了信号的自适应分解;其次,利用MPE算法提取了各本征模态函数(Intrinsic Mode Function,IMF)分量的非线性特征,构建了包含均值、方差等5项时域指标的特征向量;最后,将特征向量输入ELM进行训练与识别,并在行星齿轮箱试验台上开展了不同工况下的对比试验.[结果]试验结果表明,所提方法在正常、齿根裂纹、缺齿及断齿4种工况下的整体识别准确率达到97.92%,显著优于EMD-ELM、优化VMD-SVM等传统模型.验证了BWO-VMD在信号去噪与自适应分解方面的优势,为行星齿轮箱关键部件的健康监测提供了可靠的技术支撑.
关键词：行星齿轮箱变分模态分解白鲸优化算法多尺度排列熵极限学习机故障诊断
分类号：TH132(机械零件及传动装置)TP277(自动化技术及设备)
资助基金：新疆维吾尔自治区自然科学基金(51865054)
论文发表日期：2026-03-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：7( 172-178 )
英文信息