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
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。
