-
题名ITD-多尺度熵和ELM的风电轴承健康状态识别
被引量：6
- 1
-
-
作者
张朝林
范玉刚
冯早
-
机构
昆明理工大学信息工程与自动化学院
云南省矿物管道输送工程技术研究中心
-
出处
《机械科学与技术》
CSCD
北大核心
2018年第11期1731-1736,共6页
-
基金
国家自然科学基金项目(61741310)资助
-
文摘
对风力发电机机组的运行状况进行实时监测,并识别其健康状态,是保证机组正常运行的关键,为此提出一种固有时间尺度分解(Intrinsic time-scale decomposition,ITD)-多尺度熵(Multiscale entropy,MSE)的振动信号分析方法,对振动信号进行预处理,提取重构信号时域特征,并结合极限学习机(Extreme learning machine,ELM)对风电轴承健康状态进行识别。首先采用ITD方法对风电轴承的振动信号进行分解,得到一系列固有旋转分量,并计算其多尺度熵值,以多尺度熵值大小为依据,选取固有旋转分量并进行信号重构。计算重构信号的均方根值、峭度值、峰值因子与峰峰值,并将其作为特征指标值,建立ELM识别模型,识别风电轴承的健康状态。风电轴承试验结果表明,本文模型可以准确识别风电轴承健康状态。
-
关键词
风电轴承
固有时间尺度分解
多尺度熵值
极限学习机
健康状态识别
-
Keywords
wind turbine bearing
ITD
MSE
ELM
health status recognition
-
分类号
TH11
[机械工程—机械设计及理论]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名RCMNAAPE在旋转机械故障诊断中的应用
- 2
-
-
作者
储祥冬
戴礼军
涂金洲
罗震寰
于震
秦磊
-
机构
江苏中烟工业有限责任公司淮阴卷烟厂
颐中(青岛)烟草机械有限公司
武汉理工大学机电工程学院
-
出处
《机电工程》
CAS
北大核心
2024年第6期1039-1049,共11页
-
基金
国家自然科学基金资助项目(52075399)。
-
文摘
针对精细复合多尺度排列熵(RCMPE)无法充分提取旋转机械振动信号中的故障信息,从而导致旋转机械故障识别准确率不稳定这一缺陷,提出了一种基于精细复合多尺度归一化幅值感知排列熵(RCMNAAPE)、拉普拉斯分数(LS)和灰狼算法优化支持向量机(GWO-SVM)的旋转机械故障诊断方法。首先,利用幅值感知排列熵替换了RCMPE中的排列熵,提出了RCMNAAPE,并将其用于提取旋转机械振动信号的故障特征生成特征样本;随后,采用了LS从原始的高维故障特征向量中筛选出较少的能够更准确描述故障状态的特征,构造敏感特征样本;最后,将低维的故障特征向量输入由灰狼算法优化的支持向量机中进行了训练和测试,完成了旋转机械样本的故障识别和分类,利用滚动轴承和齿轮箱故障数据集将RCMNAAPE-LS-GWO-SVM与其他故障诊断方法进行了对比分析,并开展了评估。研究结果表明:基于RCMNAAPE-LS-GWO-SVM的故障诊断方法能够有效识别旋转机械的各类故障,其识别准确率高于其他对比的故障诊断方法,其中滚动轴承故障的识别准确率达到99.33%,齿轮箱故障的识别准确率达到98.67%。虽然,该方法的特征提取效率不佳,平均特征提取时间分别为153.02 s和163.98 s,仅优于精细复合多尺度模糊熵(RCMFE),但其综合性能更加优异。
-
关键词
故障识别准确率
滚动轴承
齿轮箱
精细复合多尺度归一化幅值感知排列熵
拉普拉斯分数
灰狼优化支持向量机
-
Keywords
fault identification accuracy
rolling bearing
gearbox
refined composite multiscale normalized amplitude aware permutation entropy(RCMNAAPE)
Laplace scores(LS)
grey wolf algorithm optimization support vector machine(GWO-SVM)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
