EWT-GG聚类的核电厂轴承故障诊断方法研究

发布时间：2024-02-03 12:24

　　为提高核电厂旋转设备故障诊断精度,本文提出了一种经验小波变换与GG聚类相结合的故障诊断方法。应用EWT对轴承振动信号进行分解,得到一系列调幅-调频分量,结合K-L散度筛选出包含信号特征信息的主分量。计算分量样本熵及LZ复杂度作为信号的特征向量,输入到GG聚类器中分析并得到分类结果。实验表明:相较于EWT-FCM、EWT-GK聚类以及EMD-GG聚类算法,该方法的分类性能更优,能够为核电厂旋转设备故障诊断提供一种可靠有效的方法。

【文章页数】：8 页

【部分图文】：

图8EWT-GG及EMD-GG聚类方法

图8EWT-GG及EMD-GG聚类方法4结论

图1基于EWT-GG聚类的轴承故障诊断方法

采用Gath-Geva聚类的方法建立基于信息论及复杂度特征的轴承故障诊断模型,以便更加准确高效地识别故障类型,其故障诊断流程图如图1所示。本文故障诊断方法主要有以下几个步骤:

图2轴承试验台架

本文针对核电厂旋转机械轴承进行常见故障诊断方法研究,提高核电厂设备监测及诊断精确度。采用美国CaseWesternReserveUniversity电气工程实验室的滚动轴承实验数据,该轴承为SKF轴承,实验采用电火花技术加工轴承内圈、外圈以及滚动体单点故障,实验装置如图2所....

图34种类型轴承振动信号

由表1可以看出,分量4与原始信号的K-L散度较小,说明其与原始信号的关联性较大,能较大程度上代表原始信号,从而将分量1、分量2、分量3、分量5视为虚假分量滤除。同时,虽然分量4的相关性系数最大,但与分量2、分量3同属一个数量级,在后续筛选中易与虚假分量混淆。因此,本文采用基于K-....

本文编号：3894185