為研究風(fēng)力機(jī)齒輪箱軸承振動(dòng)信號(hào)非線性及故障診斷問(wèn)題,采用改進(jìn)變分模態(tài)分解方法對(duì)四種狀態(tài)軸承振動(dòng)信號(hào)進(jìn)行處理,提出無(wú)量綱參數(shù)多重分形譜值因子,聯(lián)合峭度值對(duì)分解所得模態(tài)分量進(jìn)行選取,剔除無(wú)效信息分量并進(jìn)行信號(hào)重組,采用分形維數(shù)研究重組信號(hào)的分形特征,并通過(guò)支持向量機(jī)進(jìn)行模式識(shí)別。結(jié)果表明:基于樣本熵優(yōu)化的改進(jìn)變分模態(tài)分解方法可獲得高質(zhì)量的模態(tài)信息;通過(guò)多重分形譜值因子及峭度選取并重組的信號(hào)具有良好的振動(dòng)特性,其分形維數(shù)可通過(guò)信號(hào)非線性程度定量區(qū)分軸承工作狀態(tài);采用支持向量機(jī)對(duì)不同軸承工作狀態(tài)的重組信號(hào)進(jìn)行分類,結(jié)果具有較高的準(zhǔn)確度。 

【文章來(lái)源】：熱能動(dòng)力工程. 2020,35(06)北大核心CSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

VMD算法流程

選取懲罰因子與分解個(gè)數(shù)的某一組合[α,K],獲取此條件下VMD處理后全部BIMF分量,為定量評(píng)價(jià)BIMF分量是否包含故障信息,計(jì)算所有BIMF樣本熵并取其最小值,即局部極小樣本熵。與其相對(duì)應(yīng)的BIMF分量為該參數(shù)組合條件下最有效的故障BIMF分量,稱為局部最佳分量。在PSO算法尋優(yōu)過(guò)程中,以局部極小樣本熵min(Samp En(BIMF))作為尋優(yōu)過(guò)程中適應(yīng)度函數(shù),將適應(yīng)度函數(shù)取值最小化作為搜尋目標(biāo)�；赑SO算法搜索VMD參數(shù)α與K的流程如圖2所示。3 分量選取閾值與診斷流程

診斷流程

【參考文獻(xiàn)】：
期刊論文
[1]一種基于ILCD融合與多重分形去趨勢(shì)波動(dòng)分析的退化特征提取方法[J]. 王浩天,段修生,單甘霖,孫健,王興.  振動(dòng)與沖擊. 2019(06)
[2]基于信息熵優(yōu)化變分模態(tài)分解的滾動(dòng)軸承故障特征提取[J]. 李華,伍星,劉韜,陳慶.  振動(dòng)與沖擊. 2018(23)
[3]基于VMD和譜峭度的滾動(dòng)軸承早期故障診斷方法[J]. 唐貴基,劉尚坤.  中國(guó)測(cè)試. 2017(09)
[4]基于奇異值分解和變分模態(tài)分解的軸承故障特征提取[J]. 趙洪山,郭雙偉,高奪.  振動(dòng)與沖擊. 2016(22)
[5]大功率并網(wǎng)風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷研究綜述[J]. 李輝,胡姚剛,李洋,楊東,梁媛媛,歐陽(yáng)海黎,蘭涌森.  電力自動(dòng)化設(shè)備. 2016(01)
[6]基于經(jīng)驗(yàn)?zāi)B(tài)分解及維格納威爾分布的電纜雙端故障定位算法[J]. 劉洋,曹云東,侯春光.  中國(guó)電機(jī)工程學(xué)報(bào). 2015(16)
[7]基于LCD和Teager能量算子的滾動(dòng)軸承故障診斷[J]. 胥永剛,崔濤,馬朝永,張建宇.  北京工業(yè)大學(xué)學(xué)報(bào). 2015(03)
[8]基于EMD降噪和譜峭度的軸承故障診斷方法[J]. 張超,陳建軍.  機(jī)械科學(xué)與技術(shù). 2015(02)
[9]基于小波及非線性預(yù)測(cè)的軸承故障診斷方法[J]. 張景超,張金敏,張淑清,劉永富,李璧名.  儀器儀表學(xué)報(bào). 2012(01)
[10]基于廣義分形的旋轉(zhuǎn)機(jī)械故障診斷識(shí)別與分類[J]. 徐玉秀,鐘建軍,劉薇,周曉梅.  遼寧工程技術(shù)大學(xué)學(xué)報(bào). 2005(04)

博士論文
[1]基于混沌分形理論的大型風(fēng)電機(jī)械故障診斷研究[D]. 孫自強(qiáng).沈陽(yáng)工業(yè)大學(xué) 2013
[2]滾動(dòng)軸承表面損傷故障的特征提取與診斷方法研究[D]. 隋文濤.山東大學(xué) 2011



本文編號(hào)：3267294