基于CEEMDAN⁃SPSO⁃ELM的旋转电机滚动轴承故障检测方法

doi:10.3969/j.issn.1672-6952.2022.01.015

辽宁石油化工大学学报 ›› 2022, Vol. 42 ›› Issue (1): 86-91.DOI: 10.3969/j.issn.1672-6952.2022.01.015

基于CEEMDAN⁃SPSO⁃ELM的旋转电机滚动轴承故障检测方法

宋绍楼(), 吕亮(), 刘昕明

辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛 125105

收稿日期:2020-11-04 修回日期:2020-11-23 出版日期:2022-02-28 发布日期:2022-03-07
通讯作者: 吕亮
作者简介:宋绍楼（1964⁃），男，硕士，教授级高级工程师，从事工业过程控制与优化研究；E⁃mail：lngdssl@qq.com。
基金资助:
辽宁省教育厅科学研究基金项目(LJY013)

Fault Detection Method for Rolling Bearings of Rotating Electrical Machines Based on CEEMDAN⁃SPSO⁃ELM

Shaolou Song(), Lü Liang(), Xinming Liu

Faculty of Electrical and Control Engineering，Liaoning Technical University，Huludao Liaoning 125105，China

Received:2020-11-04 Revised:2020-11-23 Published:2022-02-28 Online:2022-03-07
Contact: Lü Liang

摘要/Abstract

摘要：

由于旋转电机滚动轴承振动信号存在不平稳、非线性的特征，传统时频分析法、小波分解法存在在信号分解过程中能量泄露、自适应能力差的问题，经验模态分解（EMD）法存在模态混叠等问题。提出一种基于噪声自适应完备总体平均经验模态分解方法（CEEMDAN），利用具有麻雀捕食预警机制的粒子群算法（SPSO）优化极限学习机神经网络（ELM）的CEEMDAN?SPSO?ELM算法。利用所提方法对滚动轴承单一与多种损伤故障进行分析诊断，结果表明，所提算法具有有效性及诊断准确性。

关键词: 旋转电机滚动轴承, 故障诊断, CEMMDAN, ELM, SPSO

Abstract:

In view of the unstable and nonlinear characteristics of the rolling bearing vibration signal of rotating electrical machines, the traditional time?frequency analysis method and wavelet packet decomposition method have energy leakage and poor adaptive ability in the signal decomposition process, and the EMD decomposition method has modal aliasing and other problems. In order to improve the fault diagnosis accuracy of rolling bearings, CEEMDAN combined with energy moment method is proposed to extract the original vibration signal features. The weight and offset of ELM hidden layer are optimized by SPSO algorithm, and the CEEMDAN?SPSO?ELM method is used to analyze and diagnose single and multiple damage faults of rolling bearings.The effectiveness of the algorithm and the improvement of diagnosis accuracy are verified by comparative experiments.

Key words: Rotating electric machine rolling bearing, Fault diagnosis, CEMMDAN, ELM, SPSO

中图分类号:

TH17

宋绍楼, 吕亮, 刘昕明. 基于CEEMDAN⁃SPSO⁃ELM的旋转电机滚动轴承故障检测方法[J]. 辽宁石油化工大学学报, 2022, 42(1): 86-91.

Shaolou Song, Lü Liang, Xinming Liu. Fault Detection Method for Rolling Bearings of Rotating Electrical Machines Based on CEEMDAN⁃SPSO⁃ELM[J]. Journal of Liaoning Petrochemical University, 2022, 42(1): 86-91.

图/表 7

参考文献 14

1	Wang H， Chen J， Zhou Y， et al. Early fault diagnosis of rolling bearing based on noise⁃assisted signal feature enhancement and stochastic resonance for intelligent manufacturing［J］. The International Journal of Advanced Manufacturing Technology， 2020，107：1017⁃1023．
2	Li C， Zheng J， Pan H， et al. Refined composite multivariate multiscale dispersion entropy and its application to fault diagnosis of rolling bearing［J］. IEEE Access，2019，7：47663⁃47673．
3	Zhang L P，Liu H M，Lu C. Fault diagnosis technology of rolling bearing based on LMD and BP neural network［C］// 2016 12th World Congress on Intelligent Control and Automation （WCICA）. Guilin ：IEEE，2016.
4	Gunerkar R S， Jalan A K， Belgamwar S U. Fault diagnosis of rolling element bearing based on artificial neural network［J］. Journal of Mechanical Science and Technology， 2019， 33（2）：505⁃511.
5	Li Y， Zhang W， Xiong Q， et al. A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM［J］. Journal of Mechanical Science and Technology， 2017， 31（6）：2711⁃2722.
6	Ma J， Wu J D， Fan Y G， et al. Fault diagnosis of rolling bearing based on the PSO⁃SVM of the mixed⁃feature［J］. Applied Mechanics & Materials， 2013， 380⁃384：895⁃901.
7	谢国民，王灿祥，佟莹.采煤机电动机故障诊断专家系统的研究与应用［J］.信息与控制，2013，42（3）：358⁃363.
8	吕维宗，王海瑞，舒捷.基于谐波小波包和IAGA⁃SVM的滚动轴承故障诊断［J］.计算机应用与软件，2019，36（10）：30⁃38.
9	张旭.基于加权排列熵和ELM的通风机轴承故障诊断研究［D］.徐州：中国矿业大学，2020.
10	皮骏，马圣，杜旭博，等.基于BQGA⁃ELM网络在滚动轴承故障诊断中的应用研究［J］.振动与冲击，2019，38（18）：192⁃
200
11	卓仁雄.基于CEEMDAN和GWO⁃SVM的电机滚动轴承故障诊断［D］. 衡阳：南华大学，2018.
12	尤田，张威，葛琳琳.基于GA⁃PSO算法焊接机器人路径规划研究［J］.辽宁石油化工大学学报，2018，38（2）：85⁃89.
13	唐玲玲，缪希仁，庄胜斌.PSO⁃ELM在低压系统短路电流峰值预测中的应用［J］.福州大学学报（自然科学版），2020，48（4）：471⁃478.
14	杨博雯，钱伟懿.粒子群优化算法中惯性权重改进策略综述［J］.渤海大学学报（自然科学版），2019，40（3）：274⁃288.

工作状态	Q₁	Q₂	Q₃	Q₄	Q₅	Q₆	Q₇
正常运行	0.032 4	0.002 2	0.218 7	0.087 9	0.031 2	0.127 7	0.364 8
正常运行	0.027 8	0.002 9	0.199 3	0.053 3	0.037 5	0.150 9	0.411 1
滚动体故障	0.867 9	0.012 7	0.022 5	0.040 5	0.033 7	0.014 3	0.002 0
滚动体故障	0.753 6	0.013 2	0.041 4	0.081 6	0.051 6	0.043 3	0.001 9
内圈故障	0.855 9	0.003 5	0.010 0	0.105 0	0.017 0	0.005 8	0.002 1
内圈故障	0.866 1	0.003 6	0.008 7	0.100 6	0.015 0	0.004 1	0.000 7
外圈故障	0.797 1	0.018 9	0.029 4	0.126 5	0.008 9	0.003 8	0.003 7
外圈故障	0.814 2	0.025 7	0.015 4	0.124 6	0.008 5	0.003 8	0.001 2

工作状态	Q₁	Q₂	Q₃	Q₄	Q₅	Q₆	Q₇
正常运行	0.032 4	0.002 2	0.218 7	0.087 9	0.031 2	0.127 7	0.364 8
正常运行	0.027 8	0.002 9	0.199 3	0.053 3	0.037 5	0.150 9	0.411 1
滚动体故障	0.867 9	0.012 7	0.022 5	0.040 5	0.033 7	0.014 3	0.002 0
滚动体故障	0.753 6	0.013 2	0.041 4	0.081 6	0.051 6	0.043 3	0.001 9
内圈故障	0.855 9	0.003 5	0.010 0	0.105 0	0.017 0	0.005 8	0.002 1
内圈故障	0.866 1	0.003 6	0.008 7	0.100 6	0.015 0	0.004 1	0.000 7
外圈故障	0.797 1	0.018 9	0.029 4	0.126 5	0.008 9	0.003 8	0.003 7
外圈故障	0.814 2	0.025 7	0.015 4	0.124 6	0.008 5	0.003 8	0.001 2

工作状态	Q₁	Q₂	Q₃	Q₄	Q₅	Q₆	Q₇
正常运行	0.026 0	0.001 6	0.168 1	0.059 0	0.053 7	0.207 9	0.303 0
正常运行	0.024 6	0.001 7	0.164 4	0.059 5	0.061 7	0.226 0	0.322 6
滚动体故障	0.672 4	0.003 9	0.031 2	0.130 6	0.074 3	0.063 1	0.006 4
滚动体故障	0.654 2	0.003 8	0.063 6	0.128 3	0.072 3	0.042 3	0.006 7
内圈故障	0.888 3	0.004 5	0.008 7	0.073 6	0.020 1	0.002 5	0.001 3
内圈故障	0.865 2	0.004 0	0.012 9	0.092 5	0.014 9	0.005 6	0.002 6
外圈故障	0.819 6	0.033 5	0.040 1	0.096 5	0.004 3	0.002 4	0.000 9
外圈故障	0.774 1	0.029 7	0.044 4	0.120 7	0.010 5	0.004 3	0.002 5

工作状态	Q₁	Q₂	Q₃	Q₄	Q₅	Q₆	Q₇
正常运行	0.026 0	0.001 6	0.168 1	0.059 0	0.053 7	0.207 9	0.303 0
正常运行	0.024 6	0.001 7	0.164 4	0.059 5	0.061 7	0.226 0	0.322 6
滚动体故障	0.672 4	0.003 9	0.031 2	0.130 6	0.074 3	0.063 1	0.006 4
滚动体故障	0.654 2	0.003 8	0.063 6	0.128 3	0.072 3	0.042 3	0.006 7
内圈故障	0.888 3	0.004 5	0.008 7	0.073 6	0.020 1	0.002 5	0.001 3
内圈故障	0.865 2	0.004 0	0.012 9	0.092 5	0.014 9	0.005 6	0.002 6
外圈故障	0.819 6	0.033 5	0.040 1	0.096 5	0.004 3	0.002 4	0.000 9
外圈故障	0.774 1	0.029 7	0.044 4	0.120 7	0.010 5	0.004 3	0.002 5

[1]	赵珣, 陈帅, 邱海洋. 基于改进双向循环神经网络的变压器故障诊断模型研究[J]. 辽宁石油化工大学学报, 2023, 43(5): 75-83.
[2]	姜楠, 罗林, 王乔, 侯维. 结构优化深度网络的高压断路器机械故障诊断[J]. 辽宁石油化工大学学报, 2023, 43(3): 91-96.
[3]	周学均, 陈小强, 谢磊. 基于改进收敛交叉映射的厂级振荡源诊断[J]. 辽宁石油化工大学学报, 2021, 41(5): 85-90.
[4]	刘晓琴，王晨旭，孙海军，王千. 基于小波和贝叶斯网络的智能建筑供配电系统故障诊断研究[J]. 辽宁石油化工大学学报, 2020, 40(6): 78-84.
[5]	裴小邓，罗林，陈帅，王乔. 面向电力变压器油中溶解气体的卷积神经网络诊断方法[J]. 辽宁石油化工大学学报, 2020, 40(5): 79-85.
[6]	陈小龙，周俊鹏，张颖，樊瑞筱. 基于声发射波形流信号的滚动轴承故障双谱分析及诊断[J]. 辽宁石油化工大学学报, 2018, 38(03): 89-92.
[7]	常珈铭,李维军,石成江. 基于Gabor变换和极限学习机的铝箔密封性检测[J]. 辽宁石油化工大学学报, 2017, 37(3): 64-69.
[8]	刘帅, 赵强. 内窥镜无线供电系统功率传输稳定性优化研究与设计[J]. 辽宁石油化工大学学报, 2016, 36(4): 64-68.
[9]	王晓蕾,阚哲,张雷雷. 基于小波原理和流体静电信号诊断矿用液压系统故障原理[J]. 辽宁石油化工大学学报, 2015, 35(3): 65-68.
[10]	张朝龙,何怡刚,袁莉芬,陈立平. 一种基于量子神经网络的模拟电路故障诊断方法[J]. 辽宁石油化工大学学报, 2015, 35(2): 58-61.
[11]	周伟强,侯立刚,苏成利. 基于时间 - 小波能量包络谱的滚动轴承特征提取[J]. 辽宁石油化工大学学报, 2014, 34(3): 75-78.
[12]	刘暋达,翟春艳,李书臣,苏成利. 汽轮机转子故障诊断算法应用研究[J]. 辽宁石油化工大学学报, 2013, 33(3): 67-69.
[13]	唐宇,石成江,杨静,崔清. 基于DASP的转子典型故障模拟与分析[J]. 辽宁石油化工大学学报, 2013, 33(2): 80-84.
[14]	单海欧. 改进的小波神经网络在管道泄漏故障诊断中的应用[J]. 辽宁石油化工大学学报, 2008, 28(1): 74-77.
[15]	刘晓琴, 申东日, 苏成利. 基于改进小波网络的TE 过程故障诊断[J]. 辽宁石油化工大学学报, 2007, 27(4): 64-67.

基于CEEMDAN⁃SPSO⁃ELM的旋转电机滚动轴承故障检测方法

Fault Detection Method for Rolling Bearings of Rotating Electrical Machines Based on CEEMDAN⁃SPSO⁃ELM

HTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 14

相关文章 15

编辑推荐

Metrics