基于VMD-样本熵和SSAE的齿轮故障诊断

发布时间：2022-01-21 12:32

　　针对旋转机械中齿轮故障非线性、非平稳并伴有一定的噪声干扰的特点,文章提出一种基于变分模态分解（Variational mode decomposition, VMD）和堆叠稀疏自编码（Stack sparse auto encoder, SSAE）的齿轮故障诊断方法。将原始齿轮振动信号由一维转化为二维信号,对二维信号每一行进行VMD分解得到若干有限带宽的内禀模态分量（Bandwidth limited intrinsic mode function, BLIMF）,比较各模态分量的样本熵,选择样本熵最大的模态分量构成特征向量。将特征向量作为SSAE的输入进行模式识别,最终实现齿轮故障的分类。通过实例验证及对比实验,结果表明该方法具有较高的分类精度和诊断效率。 

【文章来源】：组合机床与自动化加工技术. 2020,(08)北大核心

【文章页数】：5 页

【部分图文】：

5类齿轮的原始振动信号

故障诊断流程图

实验使用风力涡轮机动力传动故障诊断综合实验台(WTDS)如图2所示。其动力传动系统主要是由一个滚动轴承或套筒轴承支撑的两级平行轴齿轮箱、一个轴承负载、一个两级行星齿轮箱和一个可编程的磁粉制动器组成。该系统由3HP的电机驱动,实验齿轮安装在与电机相联接的输入轴上,采用VQ数据采集系统通过安装在齿轮箱上的压电式加速度传感器采集振动数据。齿轮箱内部结构如图3a所示,实验齿轮分为正常(Normal)和断齿(Chip)、齿根裂纹(Crack)、缺齿(Missing)、齿面磨损(Surface)4种故障状态,如图3b～图3e所示。实验中输入轴转动频率为29.81Hz,采样频率为25.6kHz。

【参考文献】：
期刊论文
[1]基于改进EMD与FastICA—样本熵的齿轮故障特征提取方法[J]. 吕同昕.  软件导刊. 2019(08)
[2]机械设备的智能故障诊断方法与研究——以旋转机械为例[J]. 廖应学,杨娟.  价值工程. 2019(22)
[3]基于一维卷积神经网络的齿轮箱故障诊断研究[J]. 赵璐,马野.  测试技术学报. 2019(04)
[4]基于信息融合及堆栈降噪自编码的齿轮故障诊断[J]. 李松柏,康子剑,陶洁.  振动与冲击. 2019(05)
[5]基于振动信号的减速器故障诊断方法[J]. 沈晴,苏运波,曹沛.  起重运输机械. 2018(07)
[6]基于频率切片小波变换时频分析的齿轮故障诊断[J]. 蔡剑华,黄国玉,黎小琴.  机械强度. 2017(05)
[7]粗糙集理论在故障诊断中的应用研究[J]. 江飞.  科技视界. 2015(16)
[8]基于自相关函数的经验模态分解及其在齿轮故障诊断中的应用[J]. 李月仙,韩振南,高建新,宁少慧.  中国农机化学报. 2015(01)



本文编号：3600267