基于卷积神经网络风力机轴承混沌空间故障分析与诊断

发布时间：2021-11-15 17:08

　　针对风力机轴承振动信号的非线性特点,对轴承不同工作状态振动信号进行相空间重构,还原信号非线性动力学特性;通过计算获取嵌入维数和延迟时间以构建二维混沌相图,并以不同工作状态的混沌相图作为样本,输入二维卷积神经网络开展学习建模,构建相空间-卷积神经网络故障诊断模型。结果表明:轴承不同状态振动信号具有明显的混沌特性,二维混沌相图具有不同的非线性表征;二维相图随故障程度变化而变化,但保持原有的"相形";以相同尺寸二维相图,结合卷积神经网络构建故障诊断系统,不仅对相同故障程度的工作状态准确度高,且当同一故障其程度不同时,也非常精准,表明所提出故障诊断模型具有良好的泛化能力。 

【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】：

轴承早期内圈故障时域及频谱图

由图1可知,早期内圈损伤信号冲击波形随时间变化无序,含噪信号频谱中特征频和共振频被复杂的环境噪声淹没,属典型的非线性混沌问题,提取振动信号的动力学特性,对信号进行相空间重构,计算并获取最佳嵌入维数、延迟时间,其二维、三维相图由图2所示。由图2可知,含噪与不含噪的混沌相图具有显著差异。图2(b)中不含噪的相图呈奇异吸引子状态,说明早期故障信号属混沌有序性。而噪声属混沌无序信号[23],向混沌有序的纯净轴故障信号中加入噪声干扰,使得原属混沌有序的轴承振动信号朝无序发展。为此,以混沌相图作为判断信号混沌程度,代表故障非线性特征是有效可行的。

CNN因具备稀疏连接、参数共享及等变表示的优点,可降低模型训练参数个数、避免算法过拟合及减少数据维度等优点。经典CNN具备输入层、卷积层、池化层、全连接层和输出层。其拓扑结构如图3所示。CNN输入为振动信号混沌相图,经卷积层、池化层和全连接层后实现特征表达。

【参考文献】：
期刊论文
[1]基于自适应变分模态分解及多重分形谱的风力机轴承故障分析[J]. 许子非,李春,张万福,邓允河.  热能动力工程. 2019(09)
[2]基于VMD的滚动轴承早期故障诊断方法[J]. 昝涛,庞兆亮,王民,高相胜.  北京工业大学学报. 2019(02)
[3]基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  仪器仪表学报. 2018(07)
[4]基于小波时频图和CNN的滚动轴承智能故障诊断方法[J]. 袁建虎,韩涛,唐建,安立周.  机械设计与研究. 2017(02)
[5]奇异值分解与迁移学习在电机故障诊断中的应用[J]. 沈飞,陈超,严如强.  振动工程学报. 2017(01)
[6]一种萤火虫神经网络及在轴承故障诊断中的应用[J]. 李巍华,翁胜龙,张绍辉.  机械工程学报. 2015(07)
[7]基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法[J]. 胡爱军,马万里,唐贵基.  中国电机工程学报. 2012(11)
[8]基于支持向量机和多源信息的直驱风力发电机组故障诊断[J]. 安学利,赵明浩,蒋东翔,李少华.  电网技术. 2011(04)



本文编号：3497184