針對電機軸承振動信號的非平穩(wěn)性、提取的信號不精確的特點,提出一種集合經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition, EEMD）、能量矩的特征提取方法與自組織特征映射網(wǎng)絡(luò)（Self-organizing Maps, SOM）相結(jié)合的故障診斷方法。首先利用EEMD處理原始振動信號,將其分解成一系列具有不同特征時間尺度的固有模態(tài)分量（Intrinsic Mode Function, IMF）。由于軸承狀態(tài)變化,在不同頻帶下IMF的特征隨時間尺度和能量分布的不同而不同,由于能量矩能準確得到IMF的變化能量,故計算出各階IMF的能量矩構(gòu)造故障特征向量。其次,利用故障特征向量作為輸入來構(gòu)建SOM網(wǎng)絡(luò)進行故障識別。最后通過軸承實驗驗證該方法的正確性。結(jié)果表明,該方法采用有限的訓(xùn)練樣本就可以快速、準確地診斷滾動軸承故障。 

【文章來源】：噪聲與振動控制. 2020,40(04)CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

EEMD分解結(jié)果

為了驗證根據(jù)EEMD分解所得到的各模態(tài)攜帶信息的有效性，與傳統(tǒng)的EMD分解結(jié)果進行對比，分別給出基于EEMD與EMD分解的前5個IMF的包絡(luò)譜圖，如圖3和圖4所示。其中內(nèi)圈故障頻率為157.5 Hz，但基于EMD分解的第5個模態(tài)包絡(luò)譜中沒有明顯的故障特征，分解不夠準確。相較而言，本文所選用的方法具有一定的優(yōu)越性。圖4 EMD包絡(luò)

【參考文獻】：
期刊論文
[1]基于COT-SSD的變轉(zhuǎn)速滾動軸承微弱故障診斷[J]. 王曉龍,唐貴基,何玉靈.  電力自動化設(shè)備. 2019(05)
[2]基于改進經(jīng)驗小波變換的機車軸承故障診斷[J]. 段晨東,張榮.  中國機械工程. 2019(06)
[3]基于EEMD的聲陣列滾動軸承故障診斷[J]. 馬超,王少紅,徐小力.  電子測量與儀器學(xué)報. 2017(09)
[4]基于LMD能量特征的滾動軸承故障診斷方法[J]. 石瑞敏,楊兆建.  振動.測試與診斷. 2015(05)
[5]故障樹和BAM神經(jīng)網(wǎng)絡(luò)在光伏并網(wǎng)故障診斷中的應(yīng)用[J]. 李練兵,張秀云,王志華,王志強.  電工技術(shù)學(xué)報. 2015(02)
[6]基于支持向量回歸的軸承故障定量診斷應(yīng)用[J]. 鞠華,沈長青,黃偉國,李雙,朱忠奎.  振動.測試與診斷. 2014(04)
[7]小波在采煤機異步電動機故障診斷中的應(yīng)用[J]. 謝國民,佟瑩,陸文斌.  控制工程. 2013(04)
[8]采煤機電動機故障診斷專家系統(tǒng)的研究與應(yīng)用[J]. 謝國民,王燦祥,佟瑩.  信息與控制. 2013(03)



本文編號：3563399