EEMD联合SOM的电机滚动轴承故障诊断

发布时间：2022-01-02 03:42

　　针对电机轴承振动信号的非平稳性、提取的信号不精确的特点,提出一种集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）、能量矩的特征提取方法与自组织特征映射网络（Self-organizing Maps, SOM）相结合的故障诊断方法。首先利用EEMD处理原始振动信号,将其分解成一系列具有不同特征时间尺度的固有模态分量（Intrinsic Mode Function, IMF）。由于轴承状态变化,在不同频带下IMF的特征随时间尺度和能量分布的不同而不同,由于能量矩能准确得到IMF的变化能量,故计算出各阶IMF的能量矩构造故障特征向量。其次,利用故障特征向量作为输入来构建SOM网络进行故障识别。最后通过轴承实验验证该方法的正确性。结果表明,该方法采用有限的训练样本就可以快速、准确地诊断滚动轴承故障。 

【文章来源】：噪声与振动控制. 2020,40(04)CSCD

【文章页数】：5 页

【部分图文】：

自组织神经网络结构

EEMD分解结果

为了验证根据EEMD分解所得到的各模态携带信息的有效性，与传统的EMD分解结果进行对比，分别给出基于EEMD与EMD分解的前5个IMF的包络谱图，如图3和图4所示。其中内圈故障频率为157.5 Hz，但基于EMD分解的第5个模态包络谱中没有明显的故障特征，分解不够准确。相较而言，本文所选用的方法具有一定的优越性。图4 EMD包络

【参考文献】：
期刊论文
[1]基于COT-SSD的变转速滚动轴承微弱故障诊断[J]. 王晓龙,唐贵基,何玉灵.  电力自动化设备. 2019(05)
[2]基于改进经验小波变换的机车轴承故障诊断[J]. 段晨东,张荣.  中国机械工程. 2019(06)
[3]基于EEMD的声阵列滚动轴承故障诊断[J]. 马超,王少红,徐小力.  电子测量与仪器学报. 2017(09)
[4]基于LMD能量特征的滚动轴承故障诊断方法[J]. 石瑞敏,杨兆建.  振动.测试与诊断. 2015(05)
[5]故障树和BAM神经网络在光伏并网故障诊断中的应用[J]. 李练兵,张秀云,王志华,王志强.  电工技术学报. 2015(02)
[6]基于支持向量回归的轴承故障定量诊断应用[J]. 鞠华,沈长青,黄伟国,李双,朱忠奎.  振动.测试与诊断. 2014(04)
[7]小波在采煤机异步电动机故障诊断中的应用[J]. 谢国民,佟莹,陆文斌.  控制工程. 2013(04)
[8]采煤机电动机故障诊断专家系统的研究与应用[J]. 谢国民,王灿祥,佟莹.  信息与控制. 2013(03)



本文编号：3563399