CAJ | 학술논문

提出了一种基于经验模态分解(Empirical Mode Decomposition, EMD)和散度指标的滚动轴承故障诊断方法.该方法首先对原始振动信号进行经验模态分解,再以峭度为准则,选取包含故障信息的特征模态函数(Intrinsic Mode Function, IMF)进行信号重构,并对重构后的信号进行Hilbert包络谱分析,然后提取故障特征量,最后通过计算故障特征量的J-散度(J-divergence)和KL-散度(Kullback–Leibler divergence)来判断故障类型和描述故障程度.通过从试验台采集的无故障和具有内环故障、外环故障和滚动体故障样本,以及从某风电场风力发电机齿轮箱高速输出端采集的近一年的监测数据分析结果,证明了所选故障特征量的准确性,同时也验证了所提出的基于经验模态分解和散度指标的滚动轴承故障诊断方法的有效性和准确性.
제출료일충기우경험모태분해(Empirical Mode Decomposition, EMD)화산도지표적곤동축승고장진단방법.해방법수선대원시진동신호진행경험모태분해,재이초도위준칙,선취포함고장신식적특정모태함수(Intrinsic Mode Function, IMF)진행신호중구,병대중구후적신호진행Hilbert포락보분석,연후제취고장특정량,최후통과계산고장특정량적J-산도(J-divergence)화KL-산도(Kullback–Leibler divergence)래판단고장류형화묘술고장정도.통과종시험태채집적무고장화구유내배고장、외배고장화곤동체고장양본,이급종모풍전장풍력발전궤치륜상고속수출단채집적근일년적감측수거분석결과,증명료소선고장특정량적준학성,동시야험증료소제출적기우경험모태분해화산도지표적곤동축승고장진단방법적유효성화준학성.