局部均值分解和形态谱的液压泵故障诊断方法

发布时间：2021-03-30 12:20

　　针对液压泵故障诊断问题,提出一种基于局部均值分解（LMD）、形态谱和核模糊C均值聚类相结合的方法。首先,用LMD分解液压泵振动信号,得到具有物理意义的若干个模态分量（PFs）;其次,选取含有特征信息丰富的3个PFs为数据源,采用基于峰度值、能量和均方差的评价方法,从这3个PFs中提取出各个尺度上的形态谱的3个平均值,将其组成一个向量;最后,采用核模糊C均值聚类方法（KFCM）对不同工况下所有样本进行聚类分析,对液压泵故障进行诊断。此外,将信号采用经验模态方法（EMD）分解、模糊C均值聚类方法（FCM）分析,结果表明LMD和KFCM分别优于EMD和FCM;该方法诊断精度高,是液压泵故障诊断的有效方法。 

【文章来源】：噪声与振动控制. 2020,40(02)CSCD

【文章页数】：6 页

【部分图文】：

斜盘轴向柱塞泵实验系统

以长度为0.1 s的松靴故障信号LMD分解为例，图2为原始信号、8个PFs和1个残余分量。实测液压泵故障信号是一个非常复杂的非线性、非平稳、多个模态组成的信号。它可能由泵体本身或周围设备引入的高斯白噪声模态、采集系统或设备引入的脉冲噪声模态、故障导致的振动模态等很多个模态组成，所以基于LMD对其进行分解时，会产生8个模态。

每个工况有10个样本，4个工况可以产生40个样本。利用样本对故障进行KFCM聚类，参数c、m、δ2分别设为4、1.5、250。KFCM的识别结果如图3和图4所示，聚类中心如表3所示。图4 形态谱均值的二维聚类图

【参考文献】：
期刊论文
[1]液压泵故障诊断稀疏编码方法研究[J]. 王鹏飞,王新晴,朱会杰,李艳峰,张梅军.  北京理工大学学报. 2017(05)
[2]基于遗传算法的差值形态滤波尺度参数优化方法研究[J]. 吕博,张永祥,柯维.  中国机械工程. 2013(03)
[3]基于LMD的能量算子解调机械故障诊断方法[J]. 程军圣,杨怡,杨宇.  振动.测试与诊断. 2012(06)
[4]基于样本密度KFCM新算法及其在故障诊断的应用[J]. 陶新民,徐晶,付强,刘兴丽.  振动与冲击. 2009(08)
[5]基于数学形态滤波的齿轮故障特征提取方法[J]. 章立军,杨德斌,徐金梧,陈志新.  机械工程学报. 2007(02)



本文编号：3109496