ITD-多尺度熵和ELM的风电轴承健康状态识别

• 作者: 冯早 张朝林 范玉刚
• 来源期刊: 机械科学与技术
• 学科: 工学
• 关键词: 风电轴承 固有时间尺度分解 多尺度熵值 极限学习机 健康状态识别
• 年，卷（期）: 2018,（11）
• 所属期刊栏目: 精密制造与加工
• 页码范围: 1731-1736
• 页数: 6页
• 分类号: TH11|TP18
• 字数: 3617字
• 语种: 中文
• DOI: 10.13433/j.cnki.1003-8728.20180121

摘要

对风力发电机机组的运行状况进行实时监测,并识别其健康状态,是保证机组正常运行的关键,为此提出一种固有时间尺度分解(Intrinsic time-scale decomposition,ITD)-多尺度熵(Multiscale entropy,MSE)的振动信号分析方法,对振动信号进行预处理,提取重构信号时域特征,并结合极限学习机(Extreme learning machine,ELM)对风电轴承健康状态进行识别.首先采用ITD方法对风电轴承的振动信号进行分解,得到一系列固有旋转分量,并计算其多尺度熵值,以多尺度熵值大小为依据,选取固有旋转分量并进行信号重构.计算重构信号的均方根值、峭度值、峰值因子与峰峰值,并将其作为特征指标值,建立ELM识别模型,识别风电轴承的健康状态.风电轴承试验结果表明,本文模型可以准确识别风电轴承健康状态.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	范玉刚	昆明理工大学信息工程与自动化学院	48	210	8.0	12.0
5	冯早	昆明理工大学信息工程与自动化学院	18	26	3.0	4.0
9	张朝林	昆明理工大学信息工程与自动化学院	5	6	1.0	2.0