科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对风力发电机组轴承故障振动信号传递路径复杂多变，且故障信号易受到背景噪声的严重干扰，传统方法对故障特征难以准确提取的问题，提出一种自适应经验小波变换（AEWT）与奇异值分解（SVD）的特征提取方法，并结合核极限学习机（KELM）实现风电机组轴承的故障诊断，该方法同时考虑轴承不同故障类型及不同损伤等级的情况。其中，自适应EWT为两阶段调整过程：基于尺度空间法固有模态函数（IMF）分解-确保EWT分解的有效性、基于相关系数最大的敏感分量提取-实现相关特征最大化和冗余信息的消除。通过相关实验结果可明显发现，所提AEWT的分解效果优于EMD、EEMD、CEEMDAN、LMD等方法。对提取敏感分量利用SVD计算奇异值，构建故障特征向量；最后将特征向量作为KELM的输入，建立KELM轴承状态识别模型。通过西储大学平台轴承振动信号和实际风场采集的轴承振动信号对算法进行验证，结果表明，相比SVM、ELM、KNN等识别模型，该方法能有效识别出不同故障类型及不同损伤等级下的轴承故障，整体识别率达99%。
- 单位
