旋轉(zhuǎn)機械設(shè)備故障檢測及識別一直是研究的熱點。針對目前故障特征提取和診斷方法的不足,提出一種基于改進的完備集合經(jīng)驗?zāi)B(tài)分解（ICEEMD）與自適應(yīng)鯨魚優(yōu)化算法（AWOA）優(yōu)化極限學(xué)習(xí)機（ELM）的機械故障診斷方法。ICEEMD能夠避免在分解過程中產(chǎn)生偽模態(tài),其模式中殘留噪聲小,使提取故障信息更加準確。利用ICEEMD將采集到的信號分解成多個本征模態(tài)函數(shù)（IMF）,對滾動軸承不同故障狀態(tài)IMF的斯皮爾曼等級相關(guān)系數(shù)（SRCC）的計算結(jié)果進行分析,得出篩選IMF的標準為其SRCC大于0.02;將篩選后的IMF的混合熵（HE）作為特征向量。WOA相比其他仿生算法所需要調(diào)整的相關(guān)參數(shù)少、收斂速度快、穩(wěn)定性好。AWOA利用自適應(yīng)權(quán)重優(yōu)化WOA的局部搜索方式,進一步提高了收斂精度。利用AWOA對ELM的權(quán)值和閾值進行優(yōu)化,可以提高故障診斷的準確率。通過對比實驗證明,AWOA-ELM的學(xué)習(xí)能力強、故障診斷的準確率更高。AWOA-ELM應(yīng)用在滾動軸承不同尺寸滾珠和外圈故障診斷中,對滾珠故障診斷的準確率達到99.5%,對外圈故障診斷的準確率達到100%。 

【文章來源】：儀器儀表學(xué)報. 2019,40(11)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

CEEMD分解IMF1～IMF5時域波形和幅頻特性

圖1 CEEMD分解IMF1～IMF5時域波形和幅頻特性從圖1和2可知,CEEMD所分解出的IMF2～IMF3之間存在嚴重的頻率混疊,而ICEEMD所分解的各IMF之間的模態(tài)混疊得到了很大程度上的抑制。因此,ICEEMD能夠更好地分解故障信號,利于對故障特征的提取。

各個IMF的SRCC值

【參考文獻】：
期刊論文
[1]遺傳算法與小波神經(jīng)網(wǎng)絡(luò)在ET0預(yù)測中的應(yīng)用[J]. 樊湘鵬,許燕,周建平,李志磊.  燕山大學(xué)學(xué)報. 2019(02)
[2]基于ICEEMD的人臉視頻心率檢測[J]. 李昌興,鐘清華,廖金湘.  激光雜志. 2019(01)
[3]基于迭代經(jīng)驗小波變換的齒輪故障診斷方法[J]. 辛玉,李舜酩,王金瑞,易朋興,劉頡.  儀器儀表學(xué)報. 2018(11)
[4]基于改進排列熵的滾動軸承故障特征提取[J]. 陳祥龍,張兵志,馮輔周,江鵬程.  振動工程學(xué)報. 2018(05)
[5]基于傅里葉分解與奇異值差分譜的滾動軸承故障診斷方法[J]. 付秀偉,高興泉.  計量學(xué)報. 2018(05)
[6]基于VMD共振稀疏分解的滾動軸承故障診斷[J]. 楊偉,王紅軍.  電子測量與儀器學(xué)報. 2018(09)
[7]基于EEMD與空域相關(guān)降噪的滾動軸承故障診斷方法[J]. 田晶,王英杰,王志,艾延廷,孫丹.  儀器儀表學(xué)報. 2018(07)
[8]基于鯨魚算法的森林火災(zāi)圖像多閾值分割[J]. 胡加鑫,賈鶴鳴,邢致愷,朱柏卓,張森,黃怡沁.  森林工程. 2018(04)
[9]改進LMD和排列熵的滾動軸承故障診斷[J]. 李巧藝,單奇,陳躍威,葉運廣.  機械設(shè)計與制造. 2018(04)
[10]基于近似等距投影和支持向量機的滾動軸承故障診斷[J]. 劉暢,伍星,劉韜,柳小勤.  振動與沖擊. 2018(05)



本文編號：3008251