Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Powiadomienia systemowe
  • Sesja wygasła!
  • Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  adaptive variational mode decomposition
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
EN
Fault diagnosis of rolling bearings is essential to ensure the proper functioning of the entire machinery and equipment. Variational mode decomposition (VMD) and neural networks have gained widespread attention in the field of bearing fault diagnosis due to their powerful feature extraction and feature learning capacity. However, past methods usually utilize experiential knowledge to determine the key parameters in the VMD and neural networks, such as the penalty factor, the smooth factor, and so on, so that generates a poor diagnostic result. To address this problem, an Adaptive Variational Mode Decomposition (AVMD) is proposed to obtain better features to construct the fault feature matrix and Sparrow probabilistic neural network (SPNN) is constructed for rolling bearing fault diagnosis. Firstly, the unknown parameters of VMD are estimated by using the genetic algorithm (GA), then the suitable features such as kurtosis and singular value entropy are extracted by automatically adjusting the parameters of VMD. Furthermore, a probabilistic neural network (PNN) is used for bearing fault diagnosis. Meanwhile, embedding the sparrow search algorithm (SSA) into PNN to obtain the optimal smoothing factor. Finally, the proposed method is tested and evaluated on a public bearing dataset and bearing tests. The results demonstrate that the proposed method can extract suitable features and achieve high diagnostic accuracy.
EN
Compound fault detection of gearboxes is an ambitious matter considering its interconnection and complication. An innovative means for compound fault detection based on time synchronous resample (TSR) and adaptive variational mode decomposition (AVMD) is put forward in this work. TSR used in the method can enhance fault signals of synchronous shaft gears by eliminating signal components independent of synchronous shaft. Therefore, the TSR is used to separate the synchronous shaft signal corresponding to the gear fault from the raw compound fault signal. Then a series of mode components are obtained by decomposing the synchronous shaft signals of all faults by AVMD. The variational mode decomposition (VMD) can overcome the mode aliasing problem of empirical mode decomposition (EMD), but the decomposition effect of VMD is affected by its parameter setting. Thus, the paper proposes an AVMD algorithm based on whale optimization algorithm (WOA). In the AVMD, the WOA is used to optimizes the parameters of the VMD. After AVMD decomposition, the correlated kurtosis of the mode components obtained by AVMD decomposition is calculated. Then the mode components with the maximum correlated kurtosis are selected to carry out envelope analysis. Finally, the compound fault feature can be found from the envelope spectrum to get the diagnosis results. In order to test the validity of the proposed method, a compound fault experiment is implemented in a gearbox. Through the analysis of the experimental data, it is proved that the method shows a good performance in the compound fault detection of gearbox.
PL
Wykrywanie złożonych błędów przekładni stanowi trudne zagadnienie ze względu na ich skomplikowany charakter i powiązania wewnętrzne. W pracy zaproponowano nowatorską metodę wykrywania błędów złożonych opartą na synchronicznym próbkowaniu wtórnym (TSR) oraz adaptacyjnej metodzie wariacyjnej dekompozycji modalnej (AVMD). TSR pozwala wzmacniać sygnały błędów występujących w synchronicznych przekładniach walcowych, dzięki eliminacji składowych sygnału niezwiązanych z działaniem wału synchronicznego. Dlatego też w przedstawionych badaniach, TSR wykorzystano do wyodrębnienia sygnału wału synchronicznego odpowiadającego błędowi przekładni, z surowego sygnału błędu złożonego. Następnie wszystkie sygnały błędu wału synchronicznego poddano dekompozycji za pomocą AVMD, dzięki czemu otrzymano szereg składowych modalnych. Wariacyjna dekompozycja modalna (VMD) pozwala uniknąć problemu aliasingu, który występuje w przypadku empirycznej dekompozycji modalnej (EMD), przy czym efekt dekompozycji zależy od ustawień parametrów. Dlatego w artykule zaproponowano adaptacyjny algorytm VMD oparty na algorytmie optymalizacji wielorybów (WOA), który optymalizuje parametry VMD. Następnym krokiem po dekompozycji AVMD, było obliczenie skorelowanej kurtozy składowych modalnych otrzymanych na drodze tej dekompozycji. Składniki modalne o najwyższych wartościach skorelowanej kurtozy wykorzystano do przeprowadzenia analizy obwiedni. Błąd złożony wykrywano na podstawie widma obwiedni. Skuteczność proponowanej metody sprawdzono przeprowadzając doświadczenie na przekładni, w której występował błąd złożony. Wyniki eksperymentu pokazują, że proponowane podejście stanowi skuteczną metodę wykrywania złożonych błędów.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.