基于IFM-VMD与WTD-Hilbert结合的滚动轴承故障诊断

发布时间：2024-04-16 01:50

　　针对变模式分解(VMD)中分解层数K对分解结果准确度影响较大以及轴承振动信号夹杂的噪声极大地影响有用信息提取的问题,提出了一种利用瞬时频率均值(IFM)确定K值并结合小波阈值降噪(WTD)和Hilbert变换对轴承的振动信号进行分析的方法。首先利用瞬时频率均值选择合适的VMD中的K值,然后用VMD方法对含噪声的信号进行自适应分解,根据相关系数原则从分解的分量中选取含有主要故障信息的分量进行小波阈值降噪分析,最后进行Hilbert变换解调出故障特征频率。为验证此方法的可行性,首先通过仿真信号验证了所用降噪方法的可靠性,然后用提出的IFM-VMD与WTD-Hilbert结合的方法对实际轴承故障数据进行分析,该方法故障诊断的准确率达到99%以上,说明该方法可以很好地识别滚动轴承的故障信息。

【文章页数】：7 页

【部分图文】：

图1VMD分解过程

VMD方法的具体实现过程如图1所示。在VMD分解中,直接影响分解结果的因素有两个:惩罚因子α与分解层数K,其中,惩罚因子α只影响分解结果的精确度,而K值则直接影响分解结果的准确度。相比之下K值的研究更有价值,所以选择对K值进行研究。

图3降噪后的仿真信号

图2加入噪声的仿真信号3实验分析

图7K=3时VMD分解结果

图6K=2时VMD分解结果图8K=4时VMD分解结果

图2加入噪声的仿真信号

图2表示加入噪声后的仿真信号,图3表示进行小波降噪和Hilbert变换处理后的仿真信号。比较图2和图3,可以发现经过降噪后的信号的信噪比明显提高,说明文中采用的算法能够有效地对信号进行降噪。图3降噪后的仿真信号

本文编号：3956265