基于流形学习与神经网络的旋转机械故障诊断

发布时间：2021-06-06 11:29

　　为解决风力机早期轴承故障信号微弱,其非线性及特征量缺失导致故障诊断的困难,基于能量截止法,考虑参数互交性,采用鲸鱼算法获取最优参数组合,提出优化改进变分模态分解方法（WOA-IVMD）将轴承振动信号分解至不同频段;又考虑信号非线性,通过9种非线性特征参数,基于经WOA-IVMD分解分量构建非线性"复合高维"特征矩阵,为避免高维数据导致维数灾难问题,采用随机近邻嵌入理论（t-SNE）对高维特征矩阵进行降维处理,并以降维所获数据作为测试样本,通过神经网络完成轴承工作状态分类。结果表明:WOA-IVMD分解信号具有与原分量更高的相似度;采用t-SNE对非线性"复合高维"矩阵进行降维,其三维流形表现具有突出的分类效果;以降维数据为测试样本,采用神经网络进行学习建模并分类,其结果具有较高的吻合度,表明提出方法可准确进行轴承状态分类。 

【文章来源】：热能动力工程. 2020,35(06)北大核心CSCD

【文章页数】：9 页

【部分图文】：

WOA优化IVMD参数流程

BP神经网络拓扑结构

由图4可知,降维所得前三维散度的流形表现在一定程度上可区分工作状态,表明经t-SNE降维所得特征向量在一定程度上可以反映轴承工作状态,且不失准确性,为后续BPNN学习分类做准备。表1 非线性特征矩阵Tab.1 The nonlinear characteristic matrix 标签 状态 盒维数 模糊熵 近似熵 样本熵 排列熵 信息熵 关联维 条件熵 K熵 0 正常 -0.170 -0.390 -0.381 -0.254 -0.171 -0.563 -0.549 -0.254 0.168 1 滚珠 -0.881 -0.025 -0.245 0.253 0.326 0.235 0.003 0.253 0.169 2 内圈 0.120 -0.705 -0.814 -0.965 -0.942 0.149 -0.396 -0.965 0.203 3 外圈 0.130 -0.008 -0.392 0.210 0.285 0.257 -0.533 0.210 0.776

【参考文献】：
期刊论文
[1]齿轮箱故障非线性特征测度及状态TWSVM辨识研究[J]. 曾柯,柏林.  振动与冲击. 2018(15)
[2]基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用[J]. 郑近德,潘海洋,戚晓利,张兴权,刘庆运.  电子学报. 2018(02)
[3]基于VMD和谱峭度的滚动轴承早期故障诊断方法[J]. 唐贵基,刘尚坤.  中国测试. 2017(09)
[4]基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J]. 刘长良,武英杰,甄成刚.  中国电机工程学报. 2015(13)
[5]频率切片小波变换时频分析方法在发电机组故障诊断中的应用[J]. 段晨东,高强,徐先峰.  中国电机工程学报. 2013(32)
[6]基于局部特征尺度分解的经验包络解调方法及其在机械故障诊断中的应用[J]. 程军圣,郑近德,杨宇.  机械工程学报. 2012(19)
[7]基于EMD小波阈值去噪和时频分析的齿轮故障模式识别与诊断[J]. 邵忍平,曹精明,李永龙.  振动与冲击. 2012(08)

硕士论文
[1]基于传统特征提取和深度学习方法相结合的基因表达数据降维研究[D]. 郜园园.西安电子科技大学 2018



本文编号：3214292