郑小霞,刘 静,魏彦彬,蒋海生

(上海电力大学 自动化工程学院,上海 200082)

0 引 言

滚动轴承在旋转机械上应用比较广泛,它的工作状态影响着运行机械的工作精度[1]。滚动轴承是发电机传动系统中最易受损的主要部件之一,若发生故障会对整个机组的运行状态产生很大影响,造成很大的经济损失[2]。因此,为保证发电机组的可靠性和安全性,降低维修成本,并提高其运行效率,对滚动轴承进行健康状态监测具有重要的意义[3]。

滚动轴承的振动监测信号是非平稳的复杂信号,其频率成分复杂,且根据实际状况的影响,该信号会不断发生变化,谐波、干扰与故障特征频率之间也容易出现重叠现象。因此,采用传统的方法难以提取其故障信息[4]。

小波包分解是一种典型的复杂非平稳信号处理方法,能对信号进行精确的处理,被广泛用于各类设备的状态监测中[5，6]。文献[7]通过小波包分解提取信号特征,进行了发电机组齿轮箱的故障诊断。文献[8]为了解决运行中监测信号噪声的影响,基于小波包分解,提出了一种评价不同频带故障的方法。

互补聚合经验模态分解(CEEMD)是由YEH J R[9]提出的一种常用的信号特征提取方法,能对信号进行很好的分解,并减少重构误差的产生。文献[10]通过CEEMD方法,将风速划分为一组固有模态函数,并结合极限学习机(ELM)实现了对风速的预测,但是该方法不能完全消除模态混叠。

对于提取的故障特征信号,需要选择合适的模型来进行设备的健康状态评价。……