基于變分模態(tài)分解的旋轉(zhuǎn)機械故障診斷研究.pdf

1、轉(zhuǎn)子、滾動軸承等是工業(yè)生產(chǎn)機械中許多機器設(shè)備的重要零部件，對機器的正常運轉(zhuǎn)有重要影響。故障振動信號一般具有非平穩(wěn)、非線性、非高斯等特性，單一的方法難以提取故障振動信號中有效的特征信息。因此本文采用變分模態(tài)分解(Variational Mode Decomposition，VMD)這種全新的信號處理方法，并結(jié)合一些其他信號處理手段，對機械故障振動信號進行分析處理。
　　本研究主要內(nèi)容包括：⑴針對轉(zhuǎn)子故障診斷問題，使用一種基于變分模態(tài)

2、分解的信號處理方法，該方法在獲取分解分量的過程中通過迭代搜尋變分模型最優(yōu)解來確定每個分量的頻率中心及帶寬，從而能夠自適應(yīng)地實現(xiàn)信號的頻域剖分及各分量的有效分離，對各單分量信號進行希爾伯特變換即可得到瞬時頻率和幅值信息。針對仿真信號和典型轉(zhuǎn)子故障信號進行VMD方法和EMD方法的分析比較，以驗證所提方法的有效性。仿真信號的分解結(jié)果表明，變分模態(tài)能夠準確分離出信號中的固有模態(tài)分量且不存在模態(tài)混疊；轉(zhuǎn)子故障實驗信號的分析結(jié)果表明，所提方法能夠有

3、效提取出明顯的故障特征，從而準確診斷出轉(zhuǎn)子存在的故障。⑵為準確提取滾動軸承故障信號中的故障特征，使用基于 VMD和1.5維 Teager能量譜的滾動軸承故障特征提取方法。故障特征提取過程：首先，對滾動軸承故障信號進行VMD分解得到一組分量，根據(jù)峭度-相關(guān)系數(shù)準則篩選分量進行信號重構(gòu)；再次，對重構(gòu)信號進行1.5維 Teager能量譜分析，根據(jù)能量譜圖的分析，提取出滾動軸承的內(nèi)圈和滾動體故障特征。仿真和實驗信號的分析驗證了所提方法的有效性。

4、與EEMD比較，采用VMD和1.5維Teager能量譜的分析方法更具有區(qū)分性，可以有效識別滾動軸承的故障特征。⑶使用一種基于VMD、模糊熵和模糊C均值聚類（FCM）算法的模式識別方法。首先采用VMD方法對信號進行分解，取相關(guān)性較大的分量組成初始特征向量矩陣；而后對初始特征向量矩陣求取模糊熵值，組成模糊熵值特征向量矩陣；最后將模糊熵值特征向量矩陣作為數(shù)據(jù)源輸入FCM進行故障模式識別。將該方法應(yīng)用于滾動軸承的故障模式識別，并與基于EMD和F