基于最大幅值变分模态分解和均方根熵的滚动轴承故障诊断

发布时间：2021-09-29 08:57

　　针对变分模态分解中模态个数的设定会对分解结果产生重要影响的问题,提出一种求取最优分解层数的方法,该方法以瞬时频率的幅值特性为依据,通过分析变分模态分解过程中,各分量最大幅值之间的关系来确定最佳分解参数;均方根熵可以反映不同振动信号的能量值,以信号均方根熵为故障特征参量,通过优化支持向量机建立故障分类模型,实现故障模式分类。将基于最大幅值变分模态分解和均方根熵的故障诊断方法应用于滚动轴承实测信号中,实验结果表明基于最大幅值变分模态分解和均方根熵的方法能够有效识别滚动轴承运行状态,识别准确率高达98. 75%。 

【文章来源】：计量学报. 2020,41(04)北大核心CSCD

【文章页数】：6 页

【部分图文】：

4种状态时域波形图

将MA-VMD应用于实际滚动轴承信号中。通过预设K值并对各分量的Amax进行分析得出4种状态的K值设定情况为:正常状态4层;内圈和外圈故障均6层;滚动体故障5层。运用预分解方法确定K值，即将LMD的分解层数应用到VMD中，结果为:正常状态5层，内圈、外圈和滚动体分别6层。本文将2种方法对滚动体信号进行分解时的差异表示在图2中;且滚动体信号在MA-VMD方法不同K值下的Amax如表1所示。由表1可知:相比于其它K值，当K=6时，出现了更明显的相邻层Amax接近情况，根据MA-VMD中理论可认为此时产生了过分解，在此可取VMD的最佳模态个数为5。

对4种不同状态分别采集40组振动信号作为样本，进行MA-VMD分解和预分解，并计算分解之后每一组的均方根熵值。图3为利用本文MA-VMD方法随机抽取的15组样本的ERMS值排列情况。图4为预分解法下随机抽取的15组样本的ERMS值排列情况。使用MA-VMD方法对信号进行分解后，选取前3个分量，计算其PE。图5为4种信号各15组样本的排列熵均值分布情况。图4 4种状态15组样本的ERMS分布(预分解法)

【参考文献】：
期刊论文
[1]基于关联维数和线段聚类的滚动轴承故障诊断[J]. 孟宗,邢婷婷,张圆圆,周明军,殷娜.  计量学报. 2019(01)
[2]基于变分模态分解的关联维数及相关向量机的刀具磨损状态监测[J]. 何志坚,周志雄,黄向明.  计量学报. 2018(02)
[3]基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断[J]. 孟宗,赵东方,李晶,熊景鸣,刘爽.  计量学报. 2018(02)
[4]基于样本熵的风力发电机早期故障检测[J]. 谢平,王一凡,江国乾,黄梦君,何群.  计量学报. 2017(05)
[5]基于经验模态分解的聚焦超声非线性声场检测[J]. 郑慧峰,曹文旭,王月兵,于群,方漂漂.  计量学报. 2017(05)
[6]局部均值分解和排列熵在行星齿轮箱故障诊断中的应用[J]. 丁闯,张兵志,冯辅周,江鹏程.  振动与冲击. 2017(17)
[7]基于VMD及广义分形维数矩阵的滚动轴承故障诊断[J]. 张淑清,邢婷婷,何红梅,董玉兰,张立国,姜万录.  计量学报. 2017(04)
[8]广义变分模态分解及其在齿轮箱复合故障诊断中的应用[J]. 杨宇,罗鹏,程军圣.  中国机械工程. 2017(09)
[9]基于OVMD与SVR的水电机组振动趋势预测[J]. 付文龙,周建中,张勇传,郑阳.  振动与冲击. 2016(08)
[10]基于DEMD和模糊熵的滚动轴承故障诊断方法研究[J]. 孟宗,季艳,闫晓丽.  计量学报. 2016 (01)



本文编号：3413434