基于VMD和Infogram的滚动轴承故障特征提取

发布时间：2018-06-19 09:58

  本文选题：滚动轴承 + 特征提取　； 参考：《振动与冲击》2017年22期

【摘要】：带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。
[Abstract]:The selection of bandpass filter parameters (center frequency and bandwidth) is the key of resonance demodulation. In view of the problem that the center frequency of fast kurtosis graph is too large and the bandwidth is too wide, Infogramgram is proposed to determine filter parameters. In order to reduce the influence of noise on the information graph and enhance the application effect, the variable-mode decomposition (VMDM) is used to reconstruct the signal in advance. A finite number of modal components are obtained by variational mode decomposition of bearing fault vibration signals, and the modal components containing more fault information are determined according to the modal selection criteria to reconstruct the signals. The center frequency and bandwidth of the optimal resonance frequency band are determined by using the information graph, and the reconstruction signal is analyzed by bandpass filtering and envelope spectrum analysis to identify the bearing fault characteristic frequency. The effectiveness of this method is verified by simulation analysis and simulation fault test of bearing outer ring.
【作者单位】： 军事交通学院军用车辆工程技术研究中心;东莞市TR轴承有限公司;
【分类号】：TH133.33

【相似文献】

相关期刊论文 前10条

1 王延松，，李树才，蒋钰洁;滚动轴承故障的快速诊断[J];林业机械与木工设备;1996年03期

2 张益纯,刘振娟;滚动轴承故障分析探讨[J];内燃机配件;2000年03期

3 秦恺,陈进,姜鸣,陈春梅;一种滚动轴承故障特征提取的新方法——谱相关密度[J];振动与冲击;2001年01期

4 邓长春;;声发射法在滚动轴承故障识别中的应用[J];试验技术与试验机;2002年Z2期

5 任昭蓉;滚动轴承故障的小波诊断法[J];机械制造与自动化;2004年06期

6 陆爽,田野;滚动轴承故障特征识别的时频分析研究[J];机床与液压;2005年06期

7 江涌;基于余弦调频小波变换的滚动轴承故障研究[J];机械设计与制造;2005年06期

8 程光友;;时域指标在滚动轴承故障诊断中的应用[J];中国设备工程;2005年12期

9 陈洪军;赵新泽;王延军;;滚动轴承故障试验台的理论建模分析[J];四川理工学院学报(自然科学版);2005年04期

10 李崇晟;滚动轴承故障的非线性诊断方法[J];轴承;2005年05期

相关会议论文 前10条

1 张益纯;;常见滚动轴承故障诊断的技术探讨[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

2 杨积忠;左立建;;滚动轴承故障诊断实例[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

3 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年

4 李放宁;;峰值能量在滚动轴承故障诊断中的应用[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

5 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文集[C];2007年

6 张九军;;常见滚动轴承故障的简易诊断[A];2008年全国炼铁生产技术会议暨炼铁年会文集（上册）[C];2008年

7 李兴林;;滚动轴承故障诊断技术现状及发展[A];2009年全国青年摩擦学学术会议论文集[C];2009年

8 唐海峰;陈进;董广明;;信号稀疏分解方法在滚动轴承故障诊断中的应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

9 高耀智;;高阶统计量与小波分析相结合在滚动轴承故障诊断中的应用[A];2009年全国青年摩擦学学术会议论文集[C];2009年

10 和卫星;陈晓平;马东玲;;基于混沌时间序列的滚动轴承故障局部预测[A];2009中国仪器仪表与测控技术大会论文集[C];2009年

相关博士学位论文 前10条

1 王玉静;滚动轴承振动信号特征提取与状态评估方法研究[D];哈尔滨工业大学;2015年

2 余发军;机械故障稀疏特征提取及诊断方法研究[D];武汉科技大学;2016年

3 甘萌;信号的稀疏表达在滚动轴承故障特征提取及智能诊断中的应用研究[D];中国科学技术大学;2017年

4 刘畅;基于压缩感知的滚动轴承特征提取与特征约简方法研究[D];昆明理工大学;2017年

5 廖强;约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D];电子科技大学;2016年

6 曾鸣;基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D];湖南大学;2016年

7 王聪;基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究[D];中国科学技术大学;2017年

8 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年

9 杨柳松;基于小波分析与神经网络滚动轴承故障诊断方法的研究[D];东北林业大学;2013年

10 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年

相关硕士学位论文 前10条

1 代士超;滚动轴承外圈故障机理建模及双冲击特征提取方法的研究[D];昆明理工大学;2015年

2 孙美岩;基于振动信号的滚动轴承故障特征提取研究[D];东北石油大学;2015年

3 康乐;基于EEMD-SVD的FCM聚类的轴承故障诊断[D];燕山大学;2016年

4 李茜茜;非稳态工况下滚动轴承故障特征提取与诊断[D];沈阳航空航天大学;2016年

5 李男;基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法[D];燕山大学;2015年

6 李玉奎;基于非平稳信号分析的滚动轴承故障诊断研究[D];燕山大学;2015年

7 卜勇霞;基于时频分析方法的滚动轴承故障诊断研究[D];昆明理工大学;2015年

8 马宝;基于KICA和LSSVM的滚动轴承故障监测及诊断方法[D];昆明理工大学;2015年

9 王天一;基于正交小波优化阈值降噪方法的滚动轴承故障诊断研究[D];哈尔滨工业大学;2015年

10 宋耀文;基于振动信号分析的滚动轴承故障特征提取与诊断研究[D];中国矿业大学;2015年

本文编号：2039496