冯培燕，张少波

(1. 苏州工业园区职业技术学院 机电工程系， 江苏 苏州 215123；2. 华北电力大学 机械工程系， 河北 保定 071003)



基于改进变分模态分解排列熵和极限学习机的汽轮发电机转子故障诊断方法*

冯培燕1，张少波2

(1. 苏州工业园区职业技术学院 机电工程系， 江苏 苏州 215123；2. 华北电力大学 机械工程系， 河北 保定 071003)

针对实际转子振动信号的非线性、非平稳性引起的故障类型难以准确识别的问题，提出了一种基于改进变分模态分解(VMD)排列熵和极限学习机的转子故障诊断方法。首先，为克服VMD中惩罚因子和分解个数按经验选择的问题，提出一种基于人工化学反应算法的改进VMD方法，将其用于振动信号分解，得到若干个不同尺度的固有模态分量(IMF)；随后计算蕴含主要故障特征信息的前几个IMF的排列熵值；最后将得到的前几个排列熵值作为特征矢量，输入到建立的极限学习机中实现不同状态下转子振动信号的模式识别。将提出方法应用于汽轮发电机转子试验台采集的数据，结果表明：提出的方法能有效实现不同运行状态下的转子振动信号的辨识，提高了模式识别精度。

变分模态分解； 人工化学反应算法； 排列熵； 极限学习机； 故障诊断

0 引 言

汽轮机转子振动信号一般呈现出非线性、非平稳特征，因此如何从转子中有效提取故障特征并实现转子故障类型的准确判别是故障诊断领域的热点及难点问题[1- 2]。近年来，适用于非平稳信号处理的自适应信号分析方法在汽轮机转子故障诊断中得到了广泛应用。……