基于改进变分模态分解与支持向量机的风力机轴承故障诊断

发布时间：2021-07-06 02:03

　　为研究风力机齿轮箱轴承振动信号非线性及故障诊断问题,采用改进变分模态分解方法对四种状态轴承振动信号进行处理,提出无量纲参数多重分形谱值因子,联合峭度值对分解所得模态分量进行选取,剔除无效信息分量并进行信号重组,采用分形维数研究重组信号的分形特征,并通过支持向量机进行模式识别。结果表明:基于样本熵优化的改进变分模态分解方法可获得高质量的模态信息;通过多重分形谱值因子及峭度选取并重组的信号具有良好的振动特性,其分形维数可通过信号非线性程度定量区分轴承工作状态;采用支持向量机对不同轴承工作状态的重组信号进行分类,结果具有较高的准确度。 

【文章来源】：热能动力工程. 2020,35(06)北大核心CSCD

【文章页数】：10 页

【部分图文】：

VMD算法流程

选取惩罚因子与分解个数的某一组合[α,K],获取此条件下VMD处理后全部BIMF分量,为定量评价BIMF分量是否包含故障信息,计算所有BIMF样本熵并取其最小值,即局部极小样本熵。与其相对应的BIMF分量为该参数组合条件下最有效的故障BIMF分量,称为局部最佳分量。在PSO算法寻优过程中,以局部极小样本熵min(Samp En(BIMF))作为寻优过程中适应度函数,将适应度函数取值最小化作为搜寻目标。基于PSO算法搜索VMD参数α与K的流程如图2所示。3 分量选取阈值与诊断流程

诊断流程

【参考文献】：
期刊论文
[1]一种基于ILCD融合与多重分形去趋势波动分析的退化特征提取方法[J]. 王浩天,段修生,单甘霖,孙健,王兴.  振动与冲击. 2019(06)
[2]基于信息熵优化变分模态分解的滚动轴承故障特征提取[J]. 李华,伍星,刘韬,陈庆.  振动与冲击. 2018(23)
[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]基于奇异值分解和变分模态分解的轴承故障特征提取[J]. 赵洪山,郭双伟,高夺.  振动与冲击. 2016(22)
[5]大功率并网风电机组状态监测与故障诊断研究综述[J]. 李辉,胡姚刚,李洋,杨东,梁媛媛,欧阳海黎,兰涌森.  电力自动化设备. 2016(01)
[6]基于经验模态分解及维格纳威尔分布的电缆双端故障定位算法[J]. 刘洋,曹云东,侯春光.  中国电机工程学报. 2015(16)
[7]基于LCD和Teager能量算子的滚动轴承故障诊断[J]. 胥永刚,崔涛,马朝永,张建宇.  北京工业大学学报. 2015(03)
[8]基于EMD降噪和谱峭度的轴承故障诊断方法[J]. 张超,陈建军.  机械科学与技术. 2015(02)
[9]基于小波及非线性预测的轴承故障诊断方法[J]. 张景超,张金敏,张淑清,刘永富,李璧名.  仪器仪表学报. 2012(01)
[10]基于广义分形的旋转机械故障诊断识别与分类[J]. 徐玉秀,钟建军,刘薇,周晓梅.  辽宁工程技术大学学报. 2005(04)

博士论文
[1]基于混沌分形理论的大型风电机械故障诊断研究[D]. 孙自强.沈阳工业大学 2013
[2]滚动轴承表面损伤故障的特征提取与诊断方法研究[D]. 隋文涛.山东大学 2011



本文编号：3267294