基于變分模態(tài)分解和廣義分形維數(shù)的滾動軸承故障診斷.pdf

1、現(xiàn)代工業(yè)生產設備的發(fā)展越來越大型化、復雜化、高速化和自動化。軸承是旋轉機械中最常用、也是最易損傷的零部件之一，其工作狀態(tài)直接影響著整臺設備的性能。由于其壽命的離散性較大，如果按照設計壽命對軸承進行定期維修就會造成資源浪費和難以及時發(fā)現(xiàn)突發(fā)故障的情況，因此對其運行狀態(tài)檢測和故障診斷有著十分重要的意義。本文以滾動軸承振動信號為研究對象，提出了信號特征提取和故障診斷的方法。研究了分形理論和變分模態(tài)分解在滾動軸承故障中的應用。
　　首先，

2、闡述了軸承故障的常見形式及其形成機理。接著對目前軸承振動信號進行特征提取的方法和滾動軸承故障診斷的基本流程也進行了詳細闡述。
　　其次，對分形理論和分形維數(shù)進行詳細闡述，分析了軸承振動信號的分形特性，主要包括自相似性，標度不變性以及多重分形特性。證明可以利用分形的方法來分析軸承振動信號的復雜度，定量的描述信號的分形特征。然后分別選取單重分形的盒維數(shù)和多重分形的廣義分形維數(shù)作為故障診斷的特征量，實現(xiàn)故障信號的狀態(tài)區(qū)分，此外，對單重分

3、形和多重分形故障診斷方法的優(yōu)缺點也做了詳細分析。
　　接著提出基于變分模態(tài)分解和廣義分形維數(shù)的軸承故障診斷方法。該方法是對廣義分形維數(shù)的延拓，要求先對信號進行變分模態(tài)分解(Variational Mode Decomposition,VMD)，VMD是一種非遞歸、變分的模態(tài)分解方式，通過迭代搜尋變分模型的最優(yōu)解確定每個分量的頻率中心及帶寬來獲取分解分量，從而將信號自適應分解地分解為若干模態(tài)函數(shù)(Mode Function,MF)，