基于改进变分模态分解的滚动轴承故障诊断方法

发布时间：2021-06-21 21:53

　　提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。 

【文章来源】：计量学报. 2020,41(06)北大核心CSCD

【文章页数】：7 页

【部分图文】：

故障诊断实验平台

对该信号使用文中方法进行处理，首先使用SVD降噪，选取前311个奇异值重构信号，然后根据能量占比，确定分解层数K=6，包含能量最多的3个分量的包络谱如图9。滚动轴承内圈旋转频率为20 Hz，经计算得知滚动轴承内圈故障特征频率为60.96 Hz。在图9(c)分量的包络谱中，60.6 Hz处有明显的峰值，即为故障信号的特征频率。图7 EMD方法下内圈故障数据主要分量的包络谱

EMD方法下内圈故障数据主要分量的包络谱

【参考文献】：
期刊论文
[1]基于信号稀疏表示和瞬态冲击信号多特征提取的滚动轴承故障诊断[J]. 孟宗,殷娜,李晶.  计量学报. 2019(05)
[2]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)
[3]基于SVD和SVDD的轴承故障诊断[J]. 刘英杰,范玉刚,吴建德.  控制工程. 2018(03)
[4]优化参数的变分模态分解在滚动轴承故障诊断中的应用[J]. 马洪斌,佟庆彬,张亚男.  中国机械工程. 2018(04)
[5]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)
[6]基于奇异值分解和灰靶决策的车刀磨损状态判别[J]. 朱坚民,赵全龙,何丹丹.  计量学报. 2017(02)
[7]基于经验模态分解和奇异值分解的振动声调制信号分析方法研究[J]. 郑慧峰,喻桑桑,王月兵,方漂漂,王成,唐廷浩.  计量学报. 2016 (04)
[8]基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取[J]. 孟宗,谷伟明,胡猛,熊景鸣.  计量学报. 2016 (04)
[9]基于变分模态分解和1.5维谱的轴承早期故障诊断方法[J]. 王晓龙,唐贵基.  电力自动化设备. 2016(07)
[10]基于支持向量机和窗函数的DEMD端点效应抑制方法[J]. 孟宗,季艳,谷伟明,王娜.  计量学报. 2016 (02)



本文编号：3241478