文献类型：期刊文章

作　　者：齐咏生[1] 樊佶[1] 刘利强[1] 高学金[2] 李永亭[1]

Qi Yongsheng;Fan Ji;Liu Liqiang;Gao Xuejin;Li Yongting(Institute of Electric Power,Inner Mongolia University of Technology,Hohhot 010080,China;Faculty of Information,Beijing University of Technology,Bejing 100124,China)

机构地区：[1]内蒙古工业大学电力学院,呼和浩特010080 [2]北京工业大学信息学部自动化学院,北京100124

出　　处：《太阳能学报》

基　　金：国家自然科学基金(61763037);内蒙古自治区自然科学基金(2017MS601);内蒙古自治区科技计划。

年　　份：2020

卷　　号：41

期　　号：6

起止页码：102-112

语　　种：中文

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

摘　　要：风力发电机组滚动轴承工况往往比较恶劣,其故障振动加速度信号具有非平稳、非线性的特性,而传统的时频域方法提取故障特征时存在不准确、适应性差等问题,针对此提出一种基于局部均值分解(LMD)和形态学分形维数的特征提取算法,并结合极限学习机(ELM)完成风电机组轴承故障诊断。该方法同时考虑滚动轴承在不同损伤程度以及不同故障类型下的情况,首先将原始振动信号进行LMD自适应分解为一系列不同频率的乘积分量(PF);接着计算所有分量与原信号的相关性系数,选择相关系数值最大的前3个PF分量作为敏感变量;并利用形态学覆盖估计所选PF分量的分形维数,构建故障特征向量组;之后将其作为ELM的输入,将轴承状态作为输出,建立ELM轴承状态识别模型。最后使用西储大学平台轴承数据和实际风场采集故障数据对算法进行验证,结果表明,该方法能够有效识别轴承不同损伤程度以及不同故障,整体识别率达到99%以上。

关 键 词：故障诊断 信号处理  特征提取  数学形态学 分形维数 风电机组 轴承故障

分 类 号：TH17]