基于DVMD降噪的旋转机械故障诊断

作     者：尹逊龙 牟宗磊 王友清 YIN Xun-long;MU Zong-lei;WANG You-qing

作者机构：山东科技大学电气与自动化工程学院山东青岛266590 北京化工大学信息科学与技术学院北京100029 

基　　金：青岛创业创新领军人才计划项目(19-3-2-4-zhc) 山东省自然科学基金项目(ZR2021MF027) 青岛市博士后应用研究项目资助 

出 版 物：《控制理论与应用》 (Control Theory & Applications)

年 卷 期：2022年第39卷第7期

页      码：1324-1334页

摘      要：针对振动信号噪声难以剔除而造成故障诊断精度低的问题,提出了一种基于深度变分模态分解(DVMD)的旋转机械故障诊断方法.首先,利用麻雀算法(SSA)对变分模态分解(VMD)算法的参数进行优化.然后,通过SSA–VMD对信号进行自适应深度分解得到模态分量,将每层深度的分量与原始信号作皮尔逊相关系数分析,再对分量进行奇异值分解(SVD)或者直接剔除,将处理后分量重构后,实现振动信号的深度降噪.最后,提取降噪信号的一维多尺度排列熵特征和二维时频特征,将特征依次放入轻量级梯度提升机(LightGBM)中进行训练,实现故障诊断.设计方法在风力涡轮传动系统的齿轮箱故障信号上进行验证,不仅能够剔除信号的大量噪声,并且提高了故障诊断精度,具有良好的工程应用前景.

主 题 词：深度变分模态分解 麻雀搜索算法 降噪 深度学习 特征提取 故障诊断 

学科分类：08[工学] 0802[工学-机械学] 080201[080201] 

核心收录：

D　O　I：10.7641/CTA.2022.10509

馆 藏 号：203114387...