針對風(fēng)力機(jī)軸承振動(dòng)信號的非線性特點(diǎn),對軸承不同工作狀態(tài)振動(dòng)信號進(jìn)行相空間重構(gòu),還原信號非線性動(dòng)力學(xué)特性;通過計(jì)算獲取嵌入維數(shù)和延遲時(shí)間以構(gòu)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(jīng)網(wǎng)絡(luò)開展學(xué)習(xí)建模,構(gòu)建相空間-卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型。結(jié)果表明:軸承不同狀態(tài)振動(dòng)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(jié)合卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建故障診斷系統(tǒng),不僅對相同故障程度的工作狀態(tài)準(zhǔn)確度高,且當(dāng)同一故障其程度不同時(shí),也非常精準(zhǔn),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(dòng)力工程. 2020,35(06)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

軸承早期內(nèi)圈故障時(shí)域及頻譜圖

由圖1可知,早期內(nèi)圈損傷信號沖擊波形隨時(shí)間變化無序,含噪信號頻譜中特征頻和共振頻被復(fù)雜的環(huán)境噪聲淹沒,屬典型的非線性混沌問題,提取振動(dòng)信號的動(dòng)力學(xué)特性,對信號進(jìn)行相空間重構(gòu),計(jì)算并獲取最佳嵌入維數(shù)、延遲時(shí)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(dòng)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(shù)共享及等變表示的優(yōu)點(diǎn),可降低模型訓(xùn)練參數(shù)個(gè)數(shù)、避免算法過擬合及減少數(shù)據(jù)維度等優(yōu)點(diǎn)。經(jīng)典CNN具備輸入層、卷積層、池化層、全連接層和輸出層。其拓?fù)浣Y(jié)構(gòu)如圖3所示。CNN輸入為振動(dòng)信號混沌相圖,經(jīng)卷積層、池化層和全連接層后實(shí)現(xiàn)特征表達(dá)。

【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)變分模態(tài)分解及多重分形譜的風(fēng)力機(jī)軸承故障分析[J]. 許子非,李春,張萬福,鄧允河.  熱能動(dòng)力工程. 2019(09)
[2]基于VMD的滾動(dòng)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(xué)學(xué)報(bào). 2019(02)
[3]基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承自適應(yīng)故障診斷算法[J]. 曲建嶺,余路,袁濤,田沿平,高峰.  儀器儀表學(xué)報(bào). 2018(07)
[4]基于小波時(shí)頻圖和CNN的滾動(dòng)軸承智能故障診斷方法[J]. 袁建虎,韓濤,唐建,安立周.  機(jī)械設(shè)計(jì)與研究. 2017(02)
[5]奇異值分解與遷移學(xué)習(xí)在電機(jī)故障診斷中的應(yīng)用[J]. 沈飛,陳超,嚴(yán)如強(qiáng).  振動(dòng)工程學(xué)報(bào). 2017(01)
[6]一種螢火蟲神經(jīng)網(wǎng)絡(luò)及在軸承故障診斷中的應(yīng)用[J]. 李巍華,翁勝龍,張紹輝.  機(jī)械工程學(xué)報(bào). 2015(07)
[7]基于集成經(jīng)驗(yàn)?zāi)B(tài)分解和峭度準(zhǔn)則的滾動(dòng)軸承故障特征提取方法[J]. 胡愛軍,馬萬里,唐貴基.  中國電機(jī)工程學(xué)報(bào). 2012(11)
[8]基于支持向量機(jī)和多源信息的直驅(qū)風(fēng)力發(fā)電機(jī)組故障診斷[J]. 安學(xué)利,趙明浩,蔣東翔,李少華.  電網(wǎng)技術(shù). 2011(04)



本文編號：3497184