论文部分内容阅读
为有效降低齿轮箱故障特征的维数并提高诊断准确率，提出了基于主成分分析法的齿轮箱故障特征融合方法，并结合支持向量机和 BP 神经网络对诊断的准确率进行了分析。以齿轮箱中不同裂纹齿轮为对象，选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征，提取累积贡献率达到95%以上的主成分并输入支持向量机分类器中进行分类识别，用 BP 神经网络分类器进行结果的比较分析。结果表明，采用主成分分析法与支持向量机相结合的方法，既能降低特征维数，降低计算的复杂性，又能有效地表征齿轮箱的运行状态，识别不同裂纹水平