登录    注册    忘记密码

期刊文章详细信息

基于EMD-FastICA与DGA-ELM网络的轴承故障诊断方法  ( EI收录)  

FAULT DIAGNOSIS METHOD OF BEARING BASED ON EMD-FASTICA AND DGA-ELM NETWORK

  

文献类型:期刊文章

作  者:胡超[1] 沈宝国[1] 谢中敏[1]

Hu Chao;Shen Baoguo;Xie Zhongmin(College of Aeronautical Engineering,Jiangsu Aviation Technical College,Zhenjiang 212134,China)

机构地区:[1]江苏航空职业技术学院航空工程学院,镇江212134

出  处:《太阳能学报》

基  金:江苏省自然科学基金(BK20180863);镇江市科技计划(NY2019017,GY2018029);2021年度院级课题资助项目(JATC21010103)。

年  份:2021

卷  号:42

期  号:10

起止页码:208-219

语  种:中文

收录情况:BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘  要:针对风电机组滚动轴承故障诊断问题,提出基于EMD-FastICA和DGA-ELM的轴承故障诊断方法。首先,用EMD对单通道故障振动信号进行分离并构建多维信号矩阵,计算多维信号矩阵的协方差矩阵并对其进行奇异值分解,借助Bayesian信息准则估计单通道振动信号的源数,接着采样FastICA实现单通信号分离。仿真结果表明,EMD-FastICA能有效地对信号进行分离。其次,从分离后的故障振动信号中提取时域特征值,并用降维遗传算法进行变量筛选,随后引入指数变异概率和混合变异对经典遗传算法进行改进,并建立改进遗传算法优化的极限学习机诊断模型。最后,将经典遗传算法、适值函数标定遗传算法、大变异遗传算法、自适应遗传算法作为对比算法,对滚动轴承故障实施诊断分析。诊断结果表明,文中提出的诊断方法比其他诊断模型效果好。

关 键 词:风电机组  EMD-FastICA  轴承故障诊断 Bayesian信息准则  遗传算法  极限学习机  

分 类 号:TH17]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心