风力发电机组滚动轴承工况复杂,其振动信号往往呈现非平稳、非线性的特性。针对传统基于数据的诊断算法不能充分挖掘出非平稳、非现性信号内部本质信息的问题,提出一种变分模态分解(VariableModalDecomposition,VMD)和熵价值的滚动轴承...风力发电机组滚动轴承工况复杂,其振动信号往往呈现非平稳、非线性的特性。针对传统基于数据的诊断算法不能充分挖掘出非平稳、非现性信号内部本质信息的问题,提出一种变分模态分解(VariableModalDecomposition,VMD)和熵价值的滚动轴承诊断方法。该方法首先采用VMD将原始信号分解成若干本征模态函数,用熵价值法筛选出包含故障信息最多的几个模态,之后计算相应模态的能量熵与其能量构成复合特征向量作为振动信号的特征相量,最后建立基于贝叶斯准则的最小二乘支持向量机(LeastSquares Support Vector Machine,LS-SVM)分类器完成故障诊断,克服硬分类误报率较高的缺陷。将该方法应用于模拟风机滚动轴承数据和故障试验台,结果表明采用VMD与熵价值的特征提取算法可以使特征定位更加准确,有效提高滚动轴承的故障诊断率。展开更多
针对轴承的工况复杂,其振动信号呈现非线性、非平稳特性。传统算法不能充分挖掘出非线性、非平稳信号内部本质信息,提出了基于局部切空间排列算法(LTSA)与核熵成份分析(KECA)相结合的故障诊断方法。该方法首先将滚动轴承振动信号一维时...针对轴承的工况复杂,其振动信号呈现非线性、非平稳特性。传统算法不能充分挖掘出非线性、非平稳信号内部本质信息,提出了基于局部切空间排列算法(LTSA)与核熵成份分析(KECA)相结合的故障诊断方法。该方法首先将滚动轴承振动信号一维时间序列重构到高维相空间,并估计数据的本征维数;然后利用局部切空间排列算法对数据集进行维数约简,得到初始的低维流形结构特征向量空间的第一行特征,对其进行快速傅里叶变换(FFT),从其频谱中分别提取滚动轴承内环、外环的故障特征频率及它们分别对应的倍频和频谱能量等7个变量作为故障特征向量;最后采用KECA对滚动轴承的故障特征向量进行模式识别,KECA可实现根据熵值大小进行特征分类,具有较强的非线性处理能力,从而实现故障的识别与诊断。采用Case Western Reserve大学提供的轴承实验数据对算法进行了验证,结果表明该方法可有效提取滚动轴承的故障特征,可以对滚动轴承的故障类型精确分类,实现对滚动轴承准确的故障诊断。展开更多
文摘风力发电机组滚动轴承工况复杂,其振动信号往往呈现非平稳、非线性的特性。针对传统基于数据的诊断算法不能充分挖掘出非平稳、非现性信号内部本质信息的问题,提出一种变分模态分解(VariableModalDecomposition,VMD)和熵价值的滚动轴承诊断方法。该方法首先采用VMD将原始信号分解成若干本征模态函数,用熵价值法筛选出包含故障信息最多的几个模态,之后计算相应模态的能量熵与其能量构成复合特征向量作为振动信号的特征相量,最后建立基于贝叶斯准则的最小二乘支持向量机(LeastSquares Support Vector Machine,LS-SVM)分类器完成故障诊断,克服硬分类误报率较高的缺陷。将该方法应用于模拟风机滚动轴承数据和故障试验台,结果表明采用VMD与熵价值的特征提取算法可以使特征定位更加准确,有效提高滚动轴承的故障诊断率。
文摘针对轴承的工况复杂,其振动信号呈现非线性、非平稳特性。传统算法不能充分挖掘出非线性、非平稳信号内部本质信息,提出了基于局部切空间排列算法(LTSA)与核熵成份分析(KECA)相结合的故障诊断方法。该方法首先将滚动轴承振动信号一维时间序列重构到高维相空间,并估计数据的本征维数;然后利用局部切空间排列算法对数据集进行维数约简,得到初始的低维流形结构特征向量空间的第一行特征,对其进行快速傅里叶变换(FFT),从其频谱中分别提取滚动轴承内环、外环的故障特征频率及它们分别对应的倍频和频谱能量等7个变量作为故障特征向量;最后采用KECA对滚动轴承的故障特征向量进行模式识别,KECA可实现根据熵值大小进行特征分类,具有较强的非线性处理能力,从而实现故障的识别与诊断。采用Case Western Reserve大学提供的轴承实验数据对算法进行了验证,结果表明该方法可有效提取滚动轴承的故障特征,可以对滚动轴承的故障类型精确分类,实现对滚动轴承准确的故障诊断。
