基于小波包时延相关解调的滚动轴承故障诊断方法

发布时间：2021-03-10 20:39

　　针对滚动轴承故障冲击信号周期性强且容易被强烈的背景噪声淹没,提出基于小波包时延相关解调的分析方法,实现滚动轴承的故障特征提取及故障诊断。首先,以信噪比SNR和均方根误差RMSE为准则,对比小波包阈值的降噪效果,选取最优小波包参数,以增强振动信号的信噪比。然后将降噪后的信号进行重构。最后,通过时延相关解调分析提取去噪重构信号的故障特征。通过仿真和试验数据分析,验证了所提算法能够较准确地提取轴承故障特征频率。基于与包络分析和小波包络分析进行的对比,证明了所提方法能够获得更高精度的故障特征参数,进而更加有效地实现滚动轴承的早期故障诊断。 

【文章来源】：机械设计. 2020,37(06)北大核心

【文章页数】：5 页

【部分图文】：

仿真信号的波形和频谱

由表1可知，coif5小波基与rigrsure阈值相结合的降噪效果最好，其信噪比SNR为-5.781 7 dB，均方根误差RMSE为0.882 7，达到了最大的信噪比和最小的均方根误差。采用coif5小波基与rigrsure阈值相结合的降噪方法对图1中的仿真信号进行降噪处理。其降噪后的波形和频谱如图2所示。从波形图2a中可以明显地看出冲击信号成分，但是频谱图2b中无法有效地呈现信号的故障特征频率成分。为了更好地提取故障特征频率成分，对小波包降噪后的信号进行时延相关解调分析，分析结果如图3a所示。为了对比分析，分别用小波包络分析和包络分析对图1中的仿真信号进行了处理，结果分别如图3b,c所示。同时，计算了3种分析方法处理后的信号的信噪比。对比图3中3种方法的分析结果，可以看出小波包络分析和包络分析虽然可以提取出故障特征频率及其各次谐波，但是信噪比较低。对比图3b,c可以看出，小波包络分析能够在一定程度上提高包络分析的信噪比，但是还是存在噪声的干扰。由此可见，相对于包络分析和小波包络分析，文中所提出的小波包时延相关解调分析方法能够获得较高精度的故障特征值。

仿真分析的结果

【参考文献】：
期刊论文
[1]基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  仪器仪表学报. 2018(07)
[2]基于经验小波变换的机械故障诊断方法研究[J]. 李志农,朱明,褚福磊,肖尧先.  仪器仪表学报. 2014(11)
[3]小波包降噪与LMD相结合的滚动轴承故障诊断方法[J]. 孙伟,熊邦书,黄建萍,莫燕.  振动与冲击. 2012(18)
[4]基于谱峭度和AR模型的滚动轴承故障诊断[J]. 从飞云,陈进,董广明.  振动.测试与诊断. 2012(04)
[5]基于Teager-Huang变换的滚动轴承故障诊断方法[J]. 蔡剑华,王先春.  机械设计. 2012(07)
[6]基于时延相关及小波包系数熵阈值的增强型共振解调方法[J]. 崔玲丽,康晨晖,张建宇,李文斌,高立新.  机械工程学报. 2010(20)
[7]应用小波包和包络分析的滚动轴承故障诊断[J]. 唐贵基,蔡伟.  振动、测试与诊断. 2009(02)
[8]利用时延相关解调法诊断滚动轴承的故障[J]. 孟涛,廖明夫.  航空学报. 2004(01)

博士论文
[1]滚动轴承故障特征提取与诊断方法研究[D]. 邓飞跃.华北电力大学(北京) 2016



本文编号：3075250