基于SGMD-Autogram的液压泵故障诊断方法研究

发布时间：2024-02-21 23:13

　　辛几何模态分解方法(Symplectic Geometry Mode Decomposition, SGMD)存在特征信息分布过于分散问题、Autogram方法中的最大重复离散小波变换(Maximal Overlap Discrete Wavelet Packet Transform,MODWPT)存在特征提取能力不足问题,针对上述两问题,提出了基于SGMD-Autogram的新方法。对实测液压泵多模态故障振动信号进行SGMD分解;针对分解后产生的特征信息分布过于分散问题,提出基于最大无偏自相关谱峭度法,筛选含有丰富运行特征信息的模态分量为数据源,进而取代MODWPT,实现最优故障特征提取;对数据源进行阈值处理,并基于频谱实现对液压泵故障的诊断。通过对比分析仿真和实测液压泵斜盘故障振动信号,验证了该方法可以有效地诊断斜盘故障。

【文章页数】：8 页

【部分图文】：

图1方法流程图

针对MODWPT存在特征提取能力不足问题,利用SGMD进行辅助滤波处理,但SGMD存在严重过度分解问题,而利用Autogram的最大无偏自相关峭度即可消除,所以二者相辅相成、互相弥补存在问题。经研究发现,当SGMD完全替代MODWPT时,能够获得最优特征提取效果。所提SGMD-A....

图2混合信号频域

仿真的目的是为了利用SGMD-Autogram提取出50Hz模拟冲击故障的模态分量,说明其特征提取和抑噪能力、可消除特征信息分布过于分散现象。图2为混合信号x(t)的频谱图。由图2可知,在模拟冲击故障特征频率50Hz及其绝大部分倍频处的幅值都被噪声淹没、且在其它频率处存在很大....

图3基于Autogram的混合信号的无偏自相关谱峭度分布图

通过对比基于Autogram所得图4(a)、图4(b)、图4(c)可知,基于无阈值所得图4(a)较上阈值所得图4(b)、下阈值所得图4(c)能够清晰地提取模拟冲击故障特征频率50Hz及其一部分倍频处的幅值、且幅值也高出很多。因此,本文基于无阈值所得频谱图4(a)进行下一步分析。....

图5基于混合信号无偏自相关谱峭度分布图

对上述70个累加重构分量信号进行Autogram分析,即可得到每个累加重构分量信号的最大无偏自相关谱峭度,图5为无偏自相关谱峭度分布图。由图5可知,由前60个SGC分量组成的第6个累加重构分量的无偏自相关谱峭度最大(6.813)。由上述可知,该分量无须经过MODWPT处理,即可由....

本文编号：3906033