典型文献
基于谱形因子和Elman神经网络的高速轴承RUL预测方法
文献摘要：
对风力发电机齿轮箱轴承进行有效地故障预测与健康管理(PHM),可以降低风力发电机轴承组件的故障率.针对风力发电机高速轴承剩余使用寿命(RUL)准确预测困难的问题,提出了一种基于谱形因子(SSF)和Elman神经网络(ENN)数据驱动的风力发电机高速轴承RUL预测方法.首先,引入了 Teager能量算子(TEO)对所采集的风力发电机高速轴承原始振动信号进行了预处理;然后,基于短时傅里叶变换(STFT)构建了一种SSF,对轴承各故障特征指标进行了变换;利用TEO能量信号的单调性、趋势性及可预测性构建了适应度函数,对变换后的各指标进行了筛选,确定出了最适于预测轴承RUL的故障特征指标,并采用ENN和实测数据对一实际运行的风力发电机高速轴承进行了 RUL预测实验;最后,将基于SSF和ENN的方法与3类已有数据驱动方法进行了定量对比分析.研究结果表明:轴承原始振动信号经过TEO预处理及SSF变换后,其对数熵的适应度最高;同时,与其他3类数据驱动方法相比,该预测方法的精度更高,且其预测精度能够在35 d内维持较高水平;该结果验证了高速轴承RUL预测方法的适用性与合理性.
文献关键词：
高速轴承;谱形因子;Elman神经网络;剩余使用寿命;短时傅里叶变换;数据驱动;对数熵;Teager能量算子
中图分类号：
作者姓名：
赵艳莉;王文远;何进
作者机构：
郑州财税金融职业学院信息工程系,河南郑州450003;河南工业大学机电工程学院,河南郑州450001
文献出处：
引用格式：
[1]赵艳莉;王文远;何进-.基于谱形因子和Elman神经网络的高速轴承RUL预测方法)[J].机电工程,2022(09):1211-1219
A类：
谱形因子,对数熵
B类：
Elman,高速轴承,RUL,风力发电机,齿轮箱轴承,故障预测与健康管理,PHM,发电机轴承,轴承组件,故障率,剩余使用寿命,准确预测,SSF,ENN,Teager,能量算子,TEO,振动信号,短时傅里叶变换,STFT,故障特征,特征指标,单调性,趋势性,可预测性,适应度函数,适于,实际运行,数据驱动方法,定量对比
AB值：
0.207984
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
