基于改进形态-小波阈值降噪的轴承复合故障声学诊断

发布时间：2020-12-08 23:33

　　现场采集的滚动轴承复合故障声学信号存在噪声来源复杂、背景噪声强、非线性等特点,导致已知的自适应多尺度形态滤波不能很好的适用于轴承复合故障的盲分离。针对上述问题,提出一种基于改进的自适应多尺度多结构形态滤波(IAMSCMF)、改进的小波阈值降噪方法(IWTDM)和稀疏量分析(SCA)相结合的滚动轴承复合故障特征盲提取方法。首先利用IAMSCMF和IWTDM构造滤波器进行滤波及提高信噪比(SNR);其次利用SCA分离信号;最后用FFT进行频谱分析。仿真分析和滚动轴承现场采集声学信号分析结果均清晰的提取出了轴承故障特征,验证了算法的有效性。 

【文章来源】：振动与冲击. 2020年12期 第221-226+288页 北大核心

【文章页数】：7 页

【部分图文】：

基于IAMSCMF-IWTNDM-SCA的流程图

由图(3)的幅值谱可知,源信号xt的基频为9 Hz,存在153 Hz倍频,信号yt的基频为20 Hz,存在120 Hz倍频。通过图5可知,在混合信号频谱图中同时出现源信号xt,yt的倍频120 Hz和153 Hz,说明信号被成功混合。经过IAMSCMF-IWTNDM-SCA方法得到的分离信号幅值谱见图6,由图可清楚的看到源信号xt和yt得到了很好的分离,图6的第1个分量图存在20 Hz的基频及其倍频,符合源信号yt的特征频率谱线,第2个分量图存在9 Hz的基频及其倍频,符合源信号xt的特征频率谱线。由分析结果可得,IAMSCMF-IWTNDM-SCA算法能有效的分离旋转机械复合故障。

经过IAMSCMF-IWTNDM-SCA方法得到的分离信号幅值谱见图6,由图可清楚的看到源信号xt和yt得到了很好的分离,图6的第1个分量图存在20 Hz的基频及其倍频,符合源信号yt的特征频率谱线,第2个分量图存在9 Hz的基频及其倍频,符合源信号xt的特征频率谱线。由分析结果可得,IAMSCMF-IWTNDM-SCA算法能有效的分离旋转机械复合故障。图4 混合信号时间波形图


本文编号：2905873