[1]石怀涛 乔思康 龙彦泽 蔡圣福 郭瑾.基于改进主元分析DDPCA的滚动轴承过渡模态早期故障检测方法[J].沈阳建筑大学学报(自科版),2024,(2):352-360.[doi:10.11717/j.issn:2095-1922.2024.02.19]
点击复制

基于改进主元分析DDPCA的滚动轴承过渡模态早期故障检测方法()
分享到：

《沈阳建筑大学学报(自科版)》[ISSN:1006-6977/CN:61-1281/TN]

卷:
期数:
2024年第2期
页码:
352-360
栏目:
机械工程
出版日期:
2024-04-18

文章信息/Info

作者:
石怀涛 乔思康 龙彦泽 蔡圣福 郭瑾
关键词:
多模态过程; 滚动轴承; 早期故障检测; 深度主元分析; 差分算法
DOI:
10.11717/j.issn:2095-1922.2024.02.19
摘要:
目的 提出一种深度差分主元分析方法用于滚动轴承早期故障检测,解决滚动轴承在运行过程中长期处于变转速等多模态工况,故障特征难以提取和划分的问题。方法 结合差分算法和深度分解原理的分段PCA故障检测方法，使用差分方法对原始数据进行处理，通过K-means聚类方法将具有相似变量特征的过渡模态数据划分成为相同过渡子模态；结合深度分解理论对每个过渡子模态建立故障检测模型，并通过机械故障综合模拟实验台收集的数据验证模型准确性。结果 随着分解阶数的增加，对过渡模态早期故障检测效果逐渐提升，对滚动轴承过渡子模态的划分越来越清晰，误报的情况也随着分解阶数的增加而逐渐减少；滚动轴承持续减速状态下外圈故障一阶分解检测的漏检率为17.2%，二阶分解检测的漏检率为8.6%，三阶分解检测的漏检率为6.6%。结论 笔者所提方法对过渡子模态进行多层分解，可以准确提取过渡子模态中的故障特征并建立分段检测模型，提高了过渡模态的滚动轴承早期故障检测的准确性。

相似文献/References:

[1]石怀涛,李宁宁,赵金宝,等.基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断[J].沈阳建筑大学学报(自科版),2022,(6):1129.[doi:10.11717/j.issn:2095-1922.2022.06.21]
[2]安冬,梁彬彬,叶井启,等.基于PVMD和MMDE的滚动轴承故障诊断[J].沈阳建筑大学学报(自科版),2023,(3):555.[doi:10.11717/j.issn:2095-1922.2023.03.21]
[3]张珂,杨鹏宇,石怀涛,等.基于改进动态偏最小二乘法故障检测方法[J].沈阳建筑大学学报(自科版),2024,(1):167.[doi:10.11717/j.issn:2095-1922.2024.01.19]

更新日期/Last Update: 2024-04-18