基于變分模態(tài)分解的旋轉(zhuǎn)機(jī)械故障診斷研究.pdf

1、轉(zhuǎn)子、滾動(dòng)軸承等是工業(yè)生產(chǎn)機(jī)械中許多機(jī)器設(shè)備的重要零部件，對(duì)機(jī)器的正常運(yùn)轉(zhuǎn)有重要影響。故障振動(dòng)信號(hào)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(dòng)信號(hào)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(hào)處理方法，并結(jié)合一些其他信號(hào)處理手段，對(duì)機(jī)械故障振動(dòng)信號(hào)進(jìn)行分析處理。
　　本研究主要內(nèi)容包括：⑴針對(duì)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(hào)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(gè)分量的頻率中心及帶寬，從而能夠自適應(yīng)地實(shí)現(xiàn)信號(hào)的頻域剖分及各分量的有效分離，對(duì)各單分量信號(hào)進(jìn)行希爾伯特變換即可得到瞬時(shí)頻率和幅值信息。針對(duì)仿真信號(hào)和典型轉(zhuǎn)子故障信號(hào)進(jìn)行VMD方法和EMD方法的分析比較，以驗(yàn)證所提方法的有效性。仿真信號(hào)的分解結(jié)果表明，變分模態(tài)能夠準(zhǔn)確分離出信號(hào)中的固有模態(tài)分量且不存在模態(tài)混疊；轉(zhuǎn)子故障實(shí)驗(yàn)信號(hào)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(zhǔn)確診斷出轉(zhuǎn)子存在的故障。⑵為準(zhǔn)確提取滾動(dòng)軸承故障信號(hào)中的故障特征，使用基于 VMD和1.5維 Teager能量譜的滾動(dòng)軸承故障特征提取方法。故障特征提取過程：首先，對(duì)滾動(dòng)軸承故障信號(hào)進(jìn)行VMD分解得到一組分量，根據(jù)峭度-相關(guān)系數(shù)準(zhǔn)則篩選分量進(jìn)行信號(hào)重構(gòu)；再次，對(duì)重構(gòu)信號(hào)進(jìn)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(dòng)軸承的內(nèi)圈和滾動(dòng)體故障特征。仿真和實(shí)驗(yàn)信號(hào)的分析驗(yàn)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(shí)別滾動(dòng)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(shí)別方法。首先采用VMD方法對(duì)信號(hào)進(jìn)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(duì)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(jìn)行故障模式識(shí)別。將該方法應(yīng)用于滾動(dòng)軸承的故障模式識(shí)別，并與基于EMD和F