基于变分模态分解与模糊聚类的船用齿轮箱故障诊断

发布时间：2021-02-13 23:52

　　针对船用齿轮箱故障类型诊断精度不高的问题,提出一种结合变分模态分解（Variational Mode Decomposition, VMD）与核模糊聚类（Kernel Fuzzy C-Means, KFCM）的故障诊断方法。先对齿轮箱振动信号展开VMD分析,获得含有大量故障特征信息的固有特征模函数（Intrinsic Mode Function, IMF）,然后计算出各IMF分量的奇异值并构建故障特征向量矩阵,最后将其输入到以KFCM算法为框架的故障分类器中进行模型训练,并对模型性能测试与评估。结果表明,所提方法具有较高的故障识别准确率。 

【文章来源】：珠江水运. 2020,(16)

【文章页数】：3 页

【部分图文】：

断齿时域信号

轴转频z=1500/60=25HZ，啮合频率n=1500*55/60=1375HZ。试验过程中对正常齿轮、轮齿断裂、齿轮磨损以及齿根裂纹等四种齿轮状态进行了模拟，并采集相应振动数据。其中，采样频率设为10240Hz，采样时间4s，可获得不同齿轮状态下40960个数据点。将这些数据点等长度截成20段，并且随机选取其中的18组用于训练，剩余2组用于测试。最终，构造得到大小为72*2048的训练样本集和大小为8*2048的测试样本集。以轮齿断裂故障为例，其相应时域信号和频域信号分别如图1、2所示。图1断齿时域信号图3VMD分解后的各信号分量图2断齿频域信号图4聚类结果二维图38/珠江水运·2020·08学术ACADEMIC

5HZ，啮合频率n=1500*55/60=1375HZ。试验过程中对正常齿轮、轮齿断裂、齿轮磨损以及齿根裂纹等四种齿轮状态进行了模拟，并采集相应振动数据。其中，采样频率设为10240Hz，采样时间4s，可获得不同齿轮状态下40960个数据点。将这些数据点等长度截成20段，并且随机选取其中的18组用于训练，剩余2组用于测试。最终，构造得到大小为72*2048的训练样本集和大小为8*2048的测试样本集。以轮齿断裂故障为例，其相应时域信号和频域信号分别如图1、2所示。图1断齿时域信号图3VMD分解后的各信号分量图2断齿频域信号图4聚类结果二维图38/珠江水运·2020·08学术ACADEMIC

【参考文献】：
期刊论文
[1]基于VMD与多特征融合的齿轮故障诊断方法[J]. 王建国,陈帅,张超.  机械传动. 2017(03)
[2]基于虚拟仪器的柴油机齿轮传动故障诊断系统设计与实现[J]. 吴艳茹.  船舶工程. 2014(06)
[3]基于模糊聚类综合评价的船舶柴油机排放烟色分析和实现[J]. 李震,朱荣生,刘维亭,苗虹.  船舶工程. 2014(03)
[4]基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用[J]. 杨宇,于德介,程军圣.  振动与冲击. 2005(02)



本文编号：3032773