基于集合经验模态分解和关联维数的风力机齿轮箱故障诊断 |
| |
引用本文: | 胡璇,叶柯华,李春,邓允河.基于集合经验模态分解和关联维数的风力机齿轮箱故障诊断[J].热能动力工程,2020,35(8):132-141,170. |
| |
作者姓名: | 胡璇 叶柯华 李春 邓允河 |
| |
作者单位: | 上海理工大学能源与动力工程学院,上海200093;雅图新能源科技有限公司,广东深圳518000 |
| |
基金项目: | 国家自然科学基金;国际(地区)合作与交流项目;上海市科技创新行动计划地方院校能力建设项目 |
| |
摘 要: | 针对齿轮箱故障信号的非线性和非平稳性特征,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、关联维数和支持向量机(Support Vector Machine,SVM)的故障诊断方法。将美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)"Gearbox Reliability Collaborative(GRC)"项目进行测试获得振动信号数据,通过EEMD进行分解得到本征模态函数(Intrinsic Mode Function,IMF)分量,采用G-P算法求取各组本征模态函数分量的关联维数,将各组关联维数输入SVM中进行故障识别及分类。结果表明:振动信号的关联维数与嵌入维数呈正相关,且正常信号和故障信号的关联维数区分度不明显,通过SVM能对其进行精确识别和分类。该方法能有效提取系统故障非线性特征,比传统的基于统计参数的故障诊断方法具有更高的诊断精度,准确率高达100%。
|
关 键 词: | 故障诊断 集合经验模态分解 关联维数 支持向量机 |
本文献已被 CNKI 万方数据 等数据库收录! |
|