基于MVMD-FRFT的滚动轴承早期故障特征提取研究*

2021-10-27赵西伟

机电工程 2021年10期

洪达,马洁*,赵西伟

(1.北京信息科技大学机电工程学院,北京 100192;2.北京信息科技大学机电系统测控北京市重点实验室,北京 100192)

0 引言

滚动轴承是机械设备的消耗件,若出现故障而未及时更换,会造成整机故障及其他经济损失。利用滚动轴承的故障特征频率与谐波频率,可提取出轴承的故障信息。

近些年,国内外专家学者在滚动轴承故障诊断领域进行了大量的探索,并且取得了显著成果。国内专家的有关研究有:基于极限学习机[1-3]、小波分析[4-6]、集合经验模态分解[7-9]、最大相关峭度解卷积[10-13]等的滚动轴承故障诊断方法。国外专家的有关研究有:JIN W O[14]提出了一种将振动信号转换为振动图像的方法,然后将其用于卷积神经网络(CNN),以及用于滚动轴承进行故障诊断;MISHRA C等人[15]提出了基于包络分析和Sigmoid函数阈值的小波消噪新诊断方案,然后将其用于从故障滚动轴承的振动信号中提取有用信息;DIBAJ A等人[16]提出了一种基于微调VMD和卷积神经网络(CNN)的端到端的故障诊断方法;LANDAUSKAS M等人[17]提出了一种基于排列熵的二维轴承故障特征提取方法;SPARTHAN T等人[18]将一种基于ANFIS的故障发现与提取方案应用在列车制动系统中,并取得了良好的故障诊断效果。

由于利用变分模态分解等方法分析多通道振动信号时,需要对各单一通道信号进行分解,这造成各通道信号分解的IMF数量及尺度不同。

为了解决上述问题,本文提出一种基于MVMD和FRFT的滚动轴承故障诊断方法。