基于噪声辅助信号特征增强的滚动轴承早期故障诊断

发布时间：2021-07-08 10:06

　　针对滚动轴承振动信号特征提取在滤除干扰噪声的同时会将部分有用信号滤除,造成特征信号丢失的问题,提出了一种基于噪声辅助信号特征增强的滚动轴承早期故障诊断方法。采用广义多尺度排列熵筛选准则筛选振动信号,并通过粒子群优化算法优化Duffing振子系统参数,实现Duffing振子系统、输入信号与噪声间的最优匹配,从而提高随机共振效果,将部分背景噪声能量转移到滚动轴承早期微弱故障信号特征上,实现了早期微弱故障信号特征的增强。将所提方法应用于滚动轴承全寿命状态早期故障诊断,并与基于VMD的自适应形态学方法相比较,结果表明了该方法的有效性和可行性。 

【文章来源】：振动与冲击. 2020,39(15)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

Duffing振子系统势函数

将筛选出来的信号分别作为Duffing振子模型的输入,并通过粒子群优化算法优化Duffing振子系统参数。当输入为排列熵筛选后的信号,实现噪声、信号和Duffing系统的最优匹配的输出参数为a=1,b=1,k=2.5,输出信号频谱如图6所示。当输入广义多尺度排列熵筛选后的信号,输出系统参数为a=1,b=1.2,k=2,输出信号频谱如图7所示,相比图6,广义多尺度排列熵筛选的输出信号干扰更少,特征频率更明显。图7 基于广义多尺度排列熵的输出信号功率谱

基于广义多尺度排列熵的输出信号功率谱

【参考文献】：
期刊论文
[1]基于广义复合多尺度排列熵与PCA的滚动轴承故障诊断方法[J]. 郑近德,刘涛,孟瑞,刘庆运.  振动与冲击. 2018(20)
[2]乘性双态噪声和周期调制简谐噪声激励下的线性过阻尼谐振子的随机共振[J]. 张路,钟苏川.  振动与冲击. 2018(12)
[3]排列熵算法在水工结构损伤诊断中的应用[J]. 张建伟,侯鸽,赵瑜,马晓君,暴振磊.  振动.测试与诊断. 2018(02)
[4]基于FVMD多尺度排列熵和GK模糊聚类的故障诊断[J]. 陈东宁,张运东,姚成玉,孙飞,周能元.  机械工程学报. 2018(14)
[5]滚动轴承故障特征提取的EMD-频谱自相关方法[J]. 万书亭,詹长庚,豆龙江.  振动.测试与诊断. 2016(06)
[6]基于Duffing振子的信号频谱重构随机共振研究[J]. 赖志慧,饶锡新,刘建胜,冷永刚.  振动与冲击. 2016(21)
[7]基于H-K聚类逻辑回归的贯流式机组水导轴承磨损性能评估研究[J]. 党建,贾嵘,罗兴锜,武桦.  水利学报. 2017(02)
[8]基于Kolmogrov-Smirnov检验和LS-SVM的机械设备故障预测[J]. 王恒,马海波,黄希,花国然.  中南大学学报(自然科学版). 2016(06)
[9]基于量子粒子群算法的自适应随机共振方法研究[J]. 李一博,张博林,刘自鑫,张震宇.  物理学报. 2014(16)
[10]基于形态非抽样小波分解的滚动轴承故障特征提取[J]. 黄兵锋,沈路,周晓军,刘莉.  农业机械学报. 2010(02)



本文编号：3271361