基于MCKD-EWT的滚动轴承故障诊断研究

发布时间：2024-04-11 23:57

　　实际工况中的轴承故障信息通常被掩埋在大量噪声中,为有效提取轴承故障特征频率,提出了最大相关峭度反卷积(MCKD)与经验小波变换(EWT)相结合的诊断方法。首先,使用MCKD对轴承振动信号进行降噪处理;然后,使用EWT将MCKD处理后的振动信号分解为多个调幅-调频分量(AM-FM);最后,在含有故障频率的低频分量频谱中寻找轴承故障特征频率。使用轴承故障模拟试验台采集的轴承振动信号验证了该方法对轴承故障诊断的有效性,并采用另一轴承故障数据集验证了该方法的泛化性。

【文章页数】：6 页

【部分图文】：

图1Fourier轴的分割

τn=γωn,γ<min(ωn+1-ωnωn+1+ωn)。(8)根据经验小波的构造方法搭建EWT,细节系数分别为

图2MCKD-EWT的轴承故障诊断流程图

通过MCKD对轴承振动信号进行前处理,然后对MCKD降噪后的振动信号进行EWT分解,有效利用了MCKD的降噪优势,同时发挥了EWT的分解优势,具体流程如图2所示。2试验分析

图3HZXT-DS-003滚动轴承试验台结构简图

故障轴承振动信号采集自如图3所示的HZXT-DS-003双跨双转子滚动轴承试验台,试验轴承型号为6205-2RS,用电火花在外圈及内圈沟道上加工直径为0.178mm的单点损伤。轴承转速为1796r/min,转频为29.17Hz,采样频率为12000Hz,选用时长1s....

图4内圈故障轴承的振动信号

内圈故障轴承振动信号的时、频域图如图4所示,由图可知:时域图中包含代表轴承故障信息的冲击分量,但被大量噪声掩埋;在频谱中,由于高频噪声的存在,高频段分量的幅值异常大,也难以找到对应的故障特征频率。当划分边界数量N=5时,内圈故障轴承振动信号的Fourier轴分割如图5所示,EW....

本文编号：3951342