基于Shannon熵的LCD-SVM方法在齿轮故障分类中的研究

局部特征尺度分解(Local characteristic scale decomposition,LCD)是一种新的自适应时频分析方法,该方法可以自适应地将一个复杂信号分解为若干个ISC(Intrinsic scale component,ISC)分量之和。支持向量机(Support vector machine,SVM)是一种机器学习的智能分类方法,Shannon熵是一种非线性的统计学习方法。将LCD与SVM引入到机械传动系统的故障分类之中,利用Hilbert解调分析求取LCD的ISC分量的包络信号,构造其Shannon熵,然后在深入分析的基础上,与SVM友好结合起来,将其结果输入到SVM分类器进行分类研究,来判别齿轮的故障位置、类型和程度。研究表明,这种相结合的方法可对齿轮正常、齿根裂纹、齿面磨损、复合故障四种运行状态的故障进行较好的区分,综合识别率达到了97.5%。