基于变分模态分解的滚动轴承早期微弱故障诊断研究

发布时间：2020-07-03 12:24

【摘要】：在机械故障诊断领域,许多学者一直将滚动轴承视为重点研究对象。由于机械设备中滚动轴承发生故障时,检测出的故障信号往往具有非平稳和非线性特征,因此如何从这些故障状态信号中提取出有效的故障特征是机械设备故障诊断的关键。近几年,变分模态分解(VMD)作为一种新的信号处理方法,不仅改善了其他时频分析方法具有的缺陷,而且能将不同运行状态信号精确分解得到时域、频域局部信息,因此,本文将其应用于滚动轴承的特征提取中,并构建信号的原始故障特征集。由于对信号分量提取的故障特征集往往存在大量冗余信息,彼此干扰并产生模式混淆,同时也可能会导致“维数灾难”问题的出现,严重影响故障识别效果。因此,有必要对复杂、高维的信号特征集进行维数优化处理以实现敏感特征提取。而数据降维方法具有降低维数、提取有效特征的能力。因此,本文结合变分模态分解(VMD)的优势,提出了一种VMD和局部切空间排列算法(LTSA)相结合的滚动轴承故障诊断方法。首先利用VMD算法分解滚动轴承不同运行状态下的振动信号,通过求取瞬时频率均值并绘制特征曲线筛选出与原始信号最为相关的几个分量,然后,提取有效模态分量的时域指标和小波包频带分解能量所构成的频域指标,构成高维故障特征后,再应用LTSA对高维特征进行敏感提取,最后输入K-means分类器中辨别故障类型。课题主要研究内容如下:(1)以圆柱滚子轴承为研究对象,对该轴承采用SG双金属电刻机加工出滚动体、内圈、以及滚动体与内圈复合这三种故障状态的点蚀故障,然后将其安装在BVT-5轴承振动测试机上,最后,通过东方振动噪声研究所的INV—1618C采集滚动轴承模的四种状态振动信号。(2)研究了VMD方法中模态参数K的选取问题,提出通过求取瞬时频率均值并绘制特征曲线,筛选出与原始信号最为相关的分量来确定模态参数K的方法,并利用仿真数据验证了该方法的有效性。(3)提出了VMD+时频域故障特征提取方法,并将该方法与时频域、EMD+时频域故障特征提取方法分类效果进行对比分析,实验结果表明VMD+时频域方法效果明显,且无需人工设置任何参数。(4)通过深沟球轴承和圆柱滚子轴承故障诊断对比实验分析,发现:与时频特征+LTSA、EMD+LTSA特征提取方法相比,VMD+LTSA方法在分类效果和识别精度上更具优势;LTSA算法相比较于PCA、LPP、LE、ISOMAP和LLE这5种流形学习算法,其降维后的故障特征敏感性最好。实验结果表明,本文所提方法在深沟球轴承和圆柱滚子轴承故障诊断方面具有一定的优越性。
【学位授予单位】：安徽工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33
【图文】：

流程图,故障诊断,流程图,振动信号分析

价决策：根据诊断的结果来合理的选取应对措施，尽量以经济、高效的原则来对设备进行监测和维护。故障诊断流程图如1.1 所示。图1.1 故障诊断流程图1.3 滚动轴承故障特征提取法研究现状1.3.1 常见故障特征提取方法在 1.2.2 小节中介绍了4 种常用的故障状态信号获取方式，其中振动信号分析法是目前应用最广泛、最有效的监测技术[15]，而其他 3 种方法一般应用于具有特定需求的信号分析场合。在振动信号分析方法，广泛应用的方法有三种，即时域分析法、频域分析法和时频分析法。

算法流程图,仿真信号

16图 2.2VMD算法流程图EMD 方法的比较仿真信号进行测试验证，仿真信号中信号1x 为一个调幅调频信组成。其验证信号如下：21x ( t ) (1 0.5 sin(5 t )) cos(250 t 20 t)2x ( t ) 4 sin(40 t)1 2x ( t ) x ( t ) x ( t)

【参考文献】