-
题名AR-MED共振特征增强的风电齿轮箱故障诊断
- 1
-
-
作者
孙抗
史晓玉
赵来军
杨明
-
机构
河南理工大学电气工程与自动化学院
-
出处
《组合机床与自动化加工技术》
北大核心
2024年第8期163-167,174,共6页
-
基金
国家自然科学基金项目(U1804143)
河南省科技攻关计划项目(202102210092)
河南省高校青年骨干教师项目(2021GGJS056)。
-
文摘
针对风电齿轮箱故障时脉冲成分往往淹没在其他频率分量中,早期故障特征难以有效提取的问题,提出一种自回归最小熵解卷积(AR-MED)共振特征增强的风电齿轮箱故障诊断方法,并结合一维卷积神经网络(1DCNN),实现齿轮箱高精度故障诊断。首先,使用共振稀疏分解算法(RSSD)将振动信号分解成含有噪声和谐波成分的高共振分量和含有故障冲击成分的低共振分量;其次,对低共振分量使用自回归最小熵解卷积运算,增强低共振分量中微弱的周期性冲击成分;最后,构建自回归最小熵解卷积共振特征增强的1DCNN模型,将分解得到的谐波分量和周期性冲击分量进行特征融合以及有针对的训练和分类。实验结果表明,与现有故障诊断模型相比,所提方法在提取风电齿轮箱的故障特征信息以及提高故障诊断精度方面具有有效性和优越性。
-
关键词
共振稀疏分解
自回归最小熵解卷积
特征增强
一维卷积神经网络
风电齿轮箱
-
Keywords
resonance-based sparse signal decomposition
autoregressive minimum entropy deconvolution
feature enhancement
1-dimension convolutional neural network
wind power gearbox
-
分类号
TH165
[机械工程—机械制造及自动化]
TG659
[金属学及工艺—金属切削加工及机床]
-
