為解決風力機早期軸承故障信號微弱,其非線性及特征量缺失導致故障診斷的困難,基于能量截止法,考慮參數(shù)互交性,采用鯨魚算法獲取最優(yōu)參數(shù)組合,提出優(yōu)化改進變分模態(tài)分解方法（WOA-IVMD）將軸承振動信號分解至不同頻段;又考慮信號非線性,通過9種非線性特征參數(shù),基于經(jīng)WOA-IVMD分解分量構(gòu)建非線性"復合高維"特征矩陣,為避免高維數(shù)據(jù)導致維數(shù)災(zāi)難問題,采用隨機近鄰嵌入理論（t-SNE）對高維特征矩陣進行降維處理,并以降維所獲數(shù)據(jù)作為測試樣本,通過神經(jīng)網(wǎng)絡(luò)完成軸承工作狀態(tài)分類。結(jié)果表明:WOA-IVMD分解信號具有與原分量更高的相似度;采用t-SNE對非線性"復合高維"矩陣進行降維,其三維流形表現(xiàn)具有突出的分類效果;以降維數(shù)據(jù)為測試樣本,采用神經(jīng)網(wǎng)絡(luò)進行學習建模并分類,其結(jié)果具有較高的吻合度,表明提出方法可準確進行軸承狀態(tài)分類。 

【文章來源】：熱能動力工程. 2020,35(06)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

WOA優(yōu)化IVMD參數(shù)流程

BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)

由圖4可知,降維所得前三維散度的流形表現(xiàn)在一定程度上可區(qū)分工作狀態(tài),表明經(jīng)t-SNE降維所得特征向量在一定程度上可以反映軸承工作狀態(tài),且不失準確性,為后續(xù)BPNN學習分類做準備。表1 非線性特征矩陣Tab.1 The nonlinear characteristic matrix 標簽 狀態(tài) 盒維數(shù) 模糊熵 近似熵 樣本熵 排列熵 信息熵 關(guān)聯(lián)維 條件熵 K熵 0 正常 -0.170 -0.390 -0.381 -0.254 -0.171 -0.563 -0.549 -0.254 0.168 1 滾珠 -0.881 -0.025 -0.245 0.253 0.326 0.235 0.003 0.253 0.169 2 內(nèi)圈 0.120 -0.705 -0.814 -0.965 -0.942 0.149 -0.396 -0.965 0.203 3 外圈 0.130 -0.008 -0.392 0.210 0.285 0.257 -0.533 0.210 0.776

【參考文獻】：
期刊論文
[1]齒輪箱故障非線性特征測度及狀態(tài)TWSVM辨識研究[J]. 曾柯,柏林.  振動與沖擊. 2018(15)
[2]基于改進經(jīng)驗小波變換的時頻分析方法及其在滾動軸承故障診斷中的應(yīng)用[J]. 鄭近德,潘海洋,戚曉利,張興權(quán),劉慶運.  電子學報. 2018(02)
[3]基于VMD和譜峭度的滾動軸承早期故障診斷方法[J]. 唐貴基,劉尚坤.  中國測試. 2017(09)
[4]基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J]. 劉長良,武英杰,甄成剛.  中國電機工程學報. 2015(13)
[5]頻率切片小波變換時頻分析方法在發(fā)電機組故障診斷中的應(yīng)用[J]. 段晨東,高強,徐先峰.  中國電機工程學報. 2013(32)
[6]基于局部特征尺度分解的經(jīng)驗包絡(luò)解調(diào)方法及其在機械故障診斷中的應(yīng)用[J]. 程軍圣,鄭近德,楊宇.  機械工程學報. 2012(19)
[7]基于EMD小波閾值去噪和時頻分析的齒輪故障模式識別與診斷[J]. 邵忍平,曹精明,李永龍.  振動與沖擊. 2012(08)

碩士論文
[1]基于傳統(tǒng)特征提取和深度學習方法相結(jié)合的基因表達數(shù)據(jù)降維研究[D]. 郜園園.西安電子科技大學 2018



本文編號：3214292