文献类型：期刊文章

作　　者：杨恭勇[1] 丁潇男[2] 王珺琦[3] 魏迎东[4] 周小龙[4]

YANG Gongyong;DING Xiaonan;WANG Junqi;WEI Yingdong;ZHOU Xiaolong(Engineering Training Teaching Center,Northeast Electric Power University,Jilin 132012,CHN;School of Mechanical Engineering,Northeast Electric Power University,Jilin 132012,CHN;Jiangsu TRAMA Industrial Technology Co.,Ltd.,Kunshan 215300,CHN;Mechanical Engineering College,Beihua University,Jilin 132021,CHN)

机构地区：[1]东北电力大学工程训练教学中心,吉林吉林132012 [2]东北电力大学机械工程学院,吉林吉林132012 [3]江苏川玛工业科技有限公司,江苏昆山215300 [4]北华大学机械工程学院,吉林吉林132021

出　　处：《制造技术与机床》

基　　金：国家自然科学基金(51505038);吉林省科技厅重点科技攻关项目(222170102058)。

年　　份：2022

期　　号：3

起止页码：150-156

语　　种：中文

收录情况：BDHX、BDHX2020、JST、ZGKJHX、核心刊

摘　　要：针对转子故障信号的非平稳性以及敏感故障特征无法有效提取的问题,将变分模态分解(variational mode decomposition,VMD)的Volterra模型和奇异值熵相结合,提出一种故障诊断方法。对影响VMD分解准确性的参数选取方法进行了深入研究,给出了相关问题的解决策略。首先,对不同工况下转子实测信号进行VMD分解,利用能量熵增量选取对故障特征敏感的固有模态函数(intrinsic mode function,IMF)进行相空间重构,以建立Volterra自适应预测模型,将模型参数作为初始特征向量矩阵。然后,对初始特征向量进行奇异值分解以获取奇异值熵和奇异值特征向量矩阵,用于描述转子的故障特征。最后,采用模糊C均值(fuzzy c-means,FCM)算法对转子工作状态和故障类型进行识别。试验结果表明,所提方法可有效实现转子故障的特征提取及类型识别。通过同经集合经验模态分解(ensemble empirical mode decomposition,EEMD)相比,证明了该方法具有更有效的故障特征提取性能,是一种可行的方法。

关 键 词：转子 故障诊断 变分模态分解  Volterra模型  奇异值熵  

分 类 号：TH17]