文献类型：期刊文章

作　　者：黄大荣[1] 柯兰艳[1] 林梦婷[1] 孙国玺[2]

HUANG Da-rong;KE Lan-yan;LIN Meng-ting;SUN Guo-xi(College of Information Science and Engineering,Chongqing Jiaotong University,Chongqing 400074,China;Guangdong Provincial Key Laboratory of Petrochemical Equipment Fault Diagnosis,Guangdong University of Petrochemical Technology,Maoming 525000,China)

机构地区：[1]重庆交通大学信息科学与工程学院,重庆400074 [2]广东石油化工学院广东石油化工装备故障诊断重点实验室,广东茂名525000

出　　处：《控制与决策》

基　　金：国家自然科学基金项目(61663008,61573076,61473094,61304104,61004118);教育部留学归国人员科研启动基金项目(2015-49);重庆市高等学校优秀人才支持计划项目(2014-18);广东省石化装备故障诊断重点实验室开放式基金项目(GDUPKLAB201501/GDUPKLAB201604);广东省普通高校特色创新项目(201463104);重庆市教委科学技术研究项目(KJ1705139/KJZD-K201800701)。

年　　份：2020

卷　　号：35

期　　号：7

起止页码：1631-1638

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.

关 键 词：轴承故障 变分模态分解算法  多尺度熵算法  线性判别分析算法  支持向量机故障特征识别  

分 类 号：TP273]