針對船用齒輪箱故障類型診斷精度不高的問題,提出一種結合變分模態(tài)分解（Variational Mode Decomposition, VMD）與核模糊聚類（Kernel Fuzzy C-Means, KFCM）的故障診斷方法。先對齒輪箱振動信號展開VMD分析,獲得含有大量故障特征信息的固有特征模函數（Intrinsic Mode Function, IMF）,然后計算出各IMF分量的奇異值并構建故障特征向量矩陣,最后將其輸入到以KFCM算法為框架的故障分類器中進行模型訓練,并對模型性能測試與評估。結果表明,所提方法具有較高的故障識別準確率。 

【文章來源】：珠江水運. 2020,(16)

【文章頁數】：3 頁

【部分圖文】：

斷齒時域信號

軸轉頻z=1500/60=25HZ，嚙合頻率n=1500*55/60=1375HZ。試驗過程中對正常齒輪、輪齒斷裂、齒輪磨損以及齒根裂紋等四種齒輪狀態(tài)進行了模擬，并采集相應振動數據。其中，采樣頻率設為10240Hz，采樣時間4s，可獲得不同齒輪狀態(tài)下40960個數據點。將這些數據點等長度截成20段，并且隨機選取其中的18組用于訓練，剩余2組用于測試。最終，構造得到大小為72*2048的訓練樣本集和大小為8*2048的測試樣本集。以輪齒斷裂故障為例，其相應時域信號和頻域信號分別如圖1、2所示。圖1斷齒時域信號圖3VMD分解后的各信號分量圖2斷齒頻域信號圖4聚類結果二維圖38/珠江水運·2020·08學術ACADEMIC

5HZ，嚙合頻率n=1500*55/60=1375HZ。試驗過程中對正常齒輪、輪齒斷裂、齒輪磨損以及齒根裂紋等四種齒輪狀態(tài)進行了模擬，并采集相應振動數據。其中，采樣頻率設為10240Hz，采樣時間4s，可獲得不同齒輪狀態(tài)下40960個數據點。將這些數據點等長度截成20段，并且隨機選取其中的18組用于訓練，剩余2組用于測試。最終，構造得到大小為72*2048的訓練樣本集和大小為8*2048的測試樣本集。以輪齒斷裂故障為例，其相應時域信號和頻域信號分別如圖1、2所示。圖1斷齒時域信號圖3VMD分解后的各信號分量圖2斷齒頻域信號圖4聚類結果二維圖38/珠江水運·2020·08學術ACADEMIC

【參考文獻】：
期刊論文
[1]基于VMD與多特征融合的齒輪故障診斷方法[J]. 王建國,陳帥,張超.  機械傳動. 2017(03)
[2]基于虛擬儀器的柴油機齒輪傳動故障診斷系統(tǒng)設計與實現[J]. 吳艷茹.  船舶工程. 2014(06)
[3]基于模糊聚類綜合評價的船舶柴油機排放煙色分析和實現[J]. 李震,朱榮生,劉維亭,苗虹.  船舶工程. 2014(03)
[4]基于EMD的奇異值分解技術在滾動軸承故障診斷中的應用[J]. 楊宇,于德介,程軍圣.  振動與沖擊. 2005(02)



本文編號：3032773