VMD和MCKD在风机轴承故障辨识中的应用研究

发布时间：2024-04-13 15:50

　　针对炼铁厂除尘风机服役在高温、高湿、多粉尘的恶劣环境下以及强背景噪声的复杂工况造成其驱动侧滚动轴承振动信号具有强非线性、强调制的特点,致使其故障特征频率难提取、难辨识的问题,融合变分模态分解(Variational Mode Decomposition,VMD)与最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)实现了对除尘风机滚动轴承振动信号的降噪、故障特征频率的提取,并通过包络解调方法完成了故障的识别。

【文章页数】：4 页

【部分图文】：

图1除尘风机驱动侧轴承振动故障诊断流程

首先，搭建测试系统测取滚动轴承的振动信号;其次，将滚动轴承的振动信号经由VMD分解，获得若干个IMF分量;然后，借助于MCKD对上述各IMF进行滤波来凸显不同频段内隐含的故障成份;最后，将上述隐含的故障分量进行包络解调，综合研判确定故障的类型及程度。具体流程如图1所示。4现场验....

图2除尘风机驱动侧轴承振动数据采集系统

为验证所提方法的有效性，在生产现场基于LMSTest.Lab采集仪及工作站搭建除尘风机驱动侧滚动轴承的测试系统(图2)。除尘风机驱动侧滚动轴承的型号及参数如表1所示。试验前，将2支PCB的356A16型传感器分别通过磁座吸附在轴承座的径向的水平与垂直2个位置上，传感器通过6m....

图3除尘风机驱动侧滚动轴承振动信号时域波形

分析时，截取如图3所示的一段长度为1s、采样点数为5120个的滚动轴承振动时域波形，对其进行傅里叶变换获得图4所示的频域图，发现很难找到故障信息。由于故障特征频率被噪声背景淹没致使在图4频谱中无法找到任何相近特征频率。对此，利用本文所提方法将该信号经由VMD分解求取信号的6组....

图4除尘风机驱动侧滚动轴承振动信号频域波形

图3除尘风机驱动侧滚动轴承振动信号时域波形图5经VMD分解后各IMF分量

本文编号：3953275