关键词：非线性振动信号;特征提取时间;故障识别精度(诊断精度);精细复合多尺度分数波动散布熵;t-分布随机邻域嵌入;麻雀搜索算法优化相关向量机
摘 要：针对旋转机械系统的振动信号具有明显的非线性，严重影响故障特征提取从而导致其识别精度不佳的问题，建立了一种基于精细复合多尺度分数波动散布熵(RCMFFDE)、t-分布随机邻域嵌入(t-SNE)和麻雀搜索算法优化相关向量机(SSA-RVM)的旋转机械损伤检测模型。首先，进行了基于RCMFFDE方法的特征提取，生成了特征样本，以定量反映旋转机械的不同损伤情况；然后，采用t-SNE方法，将原始高维故障特征映射至低维空间，获得了对故障更敏感的低维特征；最后，将敏感的低维故障特征向量输入至SSA-RVM多分类器中，进行了训练和测试，实现了旋转机械样本的故障识别目的；采用两种旋转机械数据集进行了实验，并从准确率、效率和抗噪性方面，将RCMFFDE-SSA-SVM方法与多种特征提取方法进行了对比。研究结果表明：RCMFFDE能用于有效提取旋转机械的故障特征，分别取得99.2%和100%的识别精度；而对敏感特征进行分类所获得的精度优于对原始特征进行分类的情形，前者比后者提高了4%；在模式识别中，SSA-RVM优于其他分类器；自制数据集的诊断精度达到了97%，特征提取的时间为16.05 s。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取