基于运行状态辐射声信号的轴承性能退化监测方法研究 |
| |
引用本文: | 陈剑,曹昆明,张磊,孙太华,程明,阚东.基于运行状态辐射声信号的轴承性能退化监测方法研究[J].合肥工业大学学报(自然科学版),2022(8):1009-1015. |
| |
作者姓名: | 陈剑 曹昆明 张磊 孙太华 程明 阚东 |
| |
作者单位: | 1. 合肥工业大学噪声振动工程研究所;2. 合肥工业大学机械工程学院 |
| |
基金项目: | 国家自然科学基金青年科学基金资助项目(11604070);;安徽省科技重大专项资助项目(17030901049); |
| |
摘 要: | 文章针对滚动轴承运行辐射声信号,提出一种滚动轴承性能退化预测的方法。轴承辐射声信号通过改进变分模态分解(improved variational mode decomposition, IVMD)得到K层有限带宽固有模态函数(band-limited intrinsic mode functions, BLIMFs);对BLIMFs分量的能量进行相对能量熵分析并作为轴承性能退化特征指标,将退化指标构成的时间序列分解成趋势项和残余项,对残余项进行平稳性检验和白噪声检验,对趋势项和非白噪声的残余项分别通过堆栈长短时记忆(stack long short-term memory, SLSTM)神经网络进行预测,使用自适应矩估计(adaptive moment estimation, ADAM)优化器反向优化网络权值、阈值;采用拉伊达法则确定阈值作为预警线,当预测退化曲线超过阈值报警线时实现报警。实验结果表明:SLSTM模型预测与分解趋势项之间的均方误差为4.149 2×10-5,均方根误差为0.003 6,相关系数为0.975 3;SLSTM模型预测与未去除残余项的相对...
|
关 键 词: | 辐射声信号 变分模态分解(VMD) 相对能量熵 堆栈长短时记忆(SLSTM)神经网络 |
|
|