APP下载

基于VMD和MED的滚动轴承故障诊断方法

2018-07-22郭家宇熊炘刘浩

轴承 2018年6期
关键词:模态故障信号

郭家宇,熊炘,刘浩

(上海大学 机电工程与自动化学院,上海 200072)

滚动轴承的健康状况影响着整个机械系统的工作状态[1],通过状态监测和故障特征提取技术了解滚动轴承的运行状态,及早发现故障问题,可以有效提高机械设备的运行水平并降低维修成本。然而,从机械设备现场采集的滚动轴承振动信号由于受严重的背景噪声和其他随机信号干扰,所获信号往往具有非线性、非平稳、非高斯的特征,信噪比较低;特别是齿轮箱中的轴承故障特征信息往往淹没于齿轮啮合频率及背景噪声,严重影响了故障特征信号的识别,用常规的时域分析方法(时域波形分析、自相关分析、峭度指标和波形指标等)与频域分析方法(幅值谱、功率谱、倒谱和包络分析等)难以有效地进行共振频带的选取,无法准确提取故障特征。

时频分析方法[2-6]能够同时再现信号的时、频域特征,对处理非线性、非平稳信号非常有效,但均具有各自的局限性:小波变换可以有效抑制白噪声,但小波基函数和阈值的选择不具有自适应性;经验模态分解(Empirical Mode Decomposition,EMD)方法分析非平稳、非线性信号的能力突出,但其数学基础不严格,模态混叠和端点效应问题表现明显[7];集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对 EMD加以改进,在一定程度上抑制了模态混叠的产生,但算法的计算量过大[8];局部均值分解(Local Mean De-composition,LMD)方法亦存在着模态混叠、迭代计算量大以及端点效应等问题。

变分模态分解(Variational Mode Deconvolution,VMD)可以自适应地分析信号,具有坚实的理论基础和更好的噪声鲁棒性,且相比于EMD,EEMD和LMD等算法,其分解层数少、精度高,不存在模态混叠现象[9-11]。……

登录APP查看全文

猜你喜欢

模态故障信号
信号
完形填空二则
故障一点通
基于FPGA的多功能信号发生器的设计
奔驰R320车ABS、ESP故障灯异常点亮
基于LabVIEW的力加载信号采集与PID控制
故障一点通
基于HHT和Prony算法的电力系统低频振荡模态识别
江淮车故障3例
由单个模态构造对称简支梁的抗弯刚度