針對風力機軸承振動信號的非線性特點,對軸承不同工作狀態(tài)振動信號進行相空間重構,還原信號非線性動力學特性;通過計算獲取嵌入維數和延遲時間以構建二維混沌相圖,并以不同工作狀態(tài)的混沌相圖作為樣本,輸入二維卷積神經網絡開展學習建模,構建相空間-卷積神經網絡故障診斷模型。結果表明:軸承不同狀態(tài)振動信號具有明顯的混沌特性,二維混沌相圖具有不同的非線性表征;二維相圖隨故障程度變化而變化,但保持原有的"相形";以相同尺寸二維相圖,結合卷積神經網絡構建故障診斷系統,不僅對相同故障程度的工作狀態(tài)準確度高,且當同一故障其程度不同時,也非常精準,表明所提出故障診斷模型具有良好的泛化能力。 

【文章來源】：熱能動力工程. 2020,35(06)北大核心CSCD

【文章頁數】：9 頁

【部分圖文】：

軸承早期內圈故障時域及頻譜圖

由圖1可知,早期內圈損傷信號沖擊波形隨時間變化無序,含噪信號頻譜中特征頻和共振頻被復雜的環(huán)境噪聲淹沒,屬典型的非線性混沌問題,提取振動信號的動力學特性,對信號進行相空間重構,計算并獲取最佳嵌入維數、延遲時間,其二維、三維相圖由圖2所示。由圖2可知,含噪與不含噪的混沌相圖具有顯著差異。圖2(b)中不含噪的相圖呈奇異吸引子狀態(tài),說明早期故障信號屬混沌有序性。而噪聲屬混沌無序信號[23],向混沌有序的純凈軸故障信號中加入噪聲干擾,使得原屬混沌有序的軸承振動信號朝無序發(fā)展。為此,以混沌相圖作為判斷信號混沌程度,代表故障非線性特征是有效可行的。

CNN因具備稀疏連接、參數共享及等變表示的優(yōu)點,可降低模型訓練參數個數、避免算法過擬合及減少數據維度等優(yōu)點。經典CNN具備輸入層、卷積層、池化層、全連接層和輸出層。其拓撲結構如圖3所示。CNN輸入為振動信號混沌相圖,經卷積層、池化層和全連接層后實現特征表達。

【參考文獻】：
期刊論文
[1]基于自適應變分模態(tài)分解及多重分形譜的風力機軸承故障分析[J]. 許子非,李春,張萬福,鄧允河.  熱能動力工程. 2019(09)
[2]基于VMD的滾動軸承早期故障診斷方法[J]. 昝濤,龐兆亮,王民,高相勝.  北京工業(yè)大學學報. 2019(02)
[3]基于一維卷積神經網絡的滾動軸承自適應故障診斷算法[J]. 曲建嶺,余路,袁濤,田沿平,高峰.  儀器儀表學報. 2018(07)
[4]基于小波時頻圖和CNN的滾動軸承智能故障診斷方法[J]. 袁建虎,韓濤,唐建,安立周.  機械設計與研究. 2017(02)
[5]奇異值分解與遷移學習在電機故障診斷中的應用[J]. 沈飛,陳超,嚴如強.  振動工程學報. 2017(01)
[6]一種螢火蟲神經網絡及在軸承故障診斷中的應用[J]. 李巍華,翁勝龍,張紹輝.  機械工程學報. 2015(07)
[7]基于集成經驗模態(tài)分解和峭度準則的滾動軸承故障特征提取方法[J]. 胡愛軍,馬萬里,唐貴基.  中國電機工程學報. 2012(11)
[8]基于支持向量機和多源信息的直驅風力發(fā)電機組故障診斷[J]. 安學利,趙明浩,蔣東翔,李少華.  電網技術. 2011(04)



本文編號：3497184