基于EEMD-KECA的风电机组滚动轴承故障诊断

• 作者: 张二宁 王林 高学金 高胜利 齐咏生
• 来源期刊: 太阳能学报
• 学科: 工学
• 关键词: 故障诊断 聚合经验模态分解 核熵成分分析 能量熵 滚动轴承
• 年，卷（期）: 2017,（7）
• 页码范围: 1943-1951
• 页数: 9页
• 分类号: TH17
• 字数: 6204字
• 语种: 中文

摘要

针对传统频域诊断算法不能充分挖掘出非线性、非平稳信号内部本质信息的问题,提出基于聚合经验模态分解(EEMD)的复合特征提取和基于核熵成分分析(KECA)的故障自动诊断算法.该方法首先采用EEMD将原始信号分解成若干特征模态函数(IMF),计算IMF能量和信号的能量熵构建复合特征向量并作为KECA的输入,之后建立KECA非线性分类器并引入一种新的监测统计量——散度测度统计量,实现故障的实时监测与自动诊断.采用KECA可实现根据熵值大小进行特征分类,具有较强的非线性处理能力,且不同特征信息之间呈现出显著的角度差异,易于分类.最后通过实际风电机组滚动轴承应用实例对算法进行验证,结果表明该方法可有效提取信号中的故障特征,实现对滚动轴承的故障诊断,相比神经网络分类方法具有更高的识别率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	高学金	北京工业大学电子信息与控制工程学院	85	865	16.0	25.0
2	齐咏生	内蒙古工业大学电力学院	49	363	11.0	17.0
3	王林	内蒙古工业大学电力学院	22	76	5.0	7.0
4	高胜利		5	22	3.0	4.0
5	张二宁	内蒙古工业大学电力学院	2	25	2.0	2.0