本文關(guān)鍵詞：基于改進(jìn)變分模態(tài)分解排列熵和極限學(xué)習(xí)機(jī)的汽輪發(fā)電機(jī)轉(zhuǎn)子故障診斷方法

  更多相關(guān)文章： 變分模態(tài)分解 人工化學(xué)反應(yīng)算法 排列熵 極限學(xué)習(xí)機(jī) 故障診斷

【摘要】：針對實際轉(zhuǎn)子振動信號的非線性、非平穩(wěn)性引起的故障類型難以準(zhǔn)確識別的問題,提出了一種基于改進(jìn)變分模態(tài)分解(VMD)排列熵和極限學(xué)習(xí)機(jī)的轉(zhuǎn)子故障診斷方法。首先,為克服VMD中懲罰因子和分解個數(shù)按經(jīng)驗選擇的問題,提出一種基于人工化學(xué)反應(yīng)算法的改進(jìn)VMD方法,將其用于振動信號分解,得到若干個不同尺度的固有模態(tài)分量(IMF);隨后計算蘊(yùn)含主要故障特征信息的前幾個IMF的排列熵值;最后將得到的前幾個排列熵值作為特征矢量,輸入到建立的極限學(xué)習(xí)機(jī)中實現(xiàn)不同狀態(tài)下轉(zhuǎn)子振動信號的模式識別。將提出方法應(yīng)用于汽輪發(fā)電機(jī)轉(zhuǎn)子試驗臺采集的數(shù)據(jù),結(jié)果表明:提出的方法能有效實現(xiàn)不同運(yùn)行狀態(tài)下的轉(zhuǎn)子振動信號的辨識,提高了模式識別精度。
【作者單位】： 蘇州工業(yè)園區(qū)職業(yè)技術(shù)學(xué)院機(jī)電工程系;華北電力大學(xué)機(jī)械工程系;
【關(guān)鍵詞】： 變分模態(tài)分解 人工化學(xué)反應(yīng)算法 排列熵 極限學(xué)習(xí)機(jī) 故障診斷
【基金】：國家自然科學(xué)基金項目(11072078)
【分類號】：TM311
【正文快照】： 0 引言 汽輪機(jī)轉(zhuǎn)子振動信號一般呈現(xiàn)出非線性、非平穩(wěn)特征,因此如何從轉(zhuǎn)子中有效提取故障特征并實現(xiàn)轉(zhuǎn)子故障類型的準(zhǔn)確判別是故障診斷領(lǐng)域的熱點及難點問題[1-2]。近年來,適用于非平穩(wěn)信號處理的自適應(yīng)信號分析方法在汽輪機(jī)轉(zhuǎn)子故障診斷中得到了廣泛應(yīng)用。比如Huang等[3]在1，

本文編號：828330