基于CEEMDAN‐SPSO‐ELM的旋转电机滚动轴承故障检测方法

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。

旋转机械滚动轴承故障机理与故障分析

滚动轴承是旋转机械中应用最为广泛的、最容易产生故障的部件,其运行状态正常与否直接影响到整个机组的性能。滚动轴承发生故障时往往是多种故障相互关联、相互交错、相互耦合构成复合故障。复合故障的滚动轴承振动信号特征不是单个故障信号特征的简单叠加,具有单故障信号特征混合、耦合等特性。目前对于滚动轴承复合故障诊断研究主要集中在复合故障振动信号的特征提取与模式识别,缺乏滚动轴承复合故障振动机理研究,导致滚动轴承复合故障诊断准确率低。因此开展滚动轴承复合故障振动机理研究势在必行。