基于JRD和CUSUM的滚动轴承性能退化状态识别与评估

被引：18

作者：

夏均忠

吕麒鹏

陈成法

刘鲲鹏

郑建波

机构：

[1] 陆军军事交通学院军用车辆工程系

来源：

振动与冲击 | 2019年 / 38卷 / 02期

关键词：

滚动轴承; 性能退化; JRD距离; 累积和(CUSUM)检测;

D O I：

10.13465/j.cnki.jvs.2019.02.001

中图分类号：

TH133.33 [滚动轴承];

学科分类号：

082805 [农业机械化与装备工程];

摘要：

退化特征提取是滚动轴承性能退化状态识别和评估的关键,JRD克服了传统特征无法准确反应轴承当前技术状态的不足,但在全寿命阶段上稳定性、单调性差,应用累积和(CUSUM)对其进行改进,从而准确识别和评估轴承性能退化状态。应用小波包变换对原始信号进行降噪;计算不同技术状态下信号的Renyi熵,并对比与标准状态的相似程度得出JRD值,作为滚动轴承退化状态特征;应用CUSUM增强JRD值对于寿命微弱变化的敏感性及轴承全寿命的单调性。通过试验验证,滚动轴承性能退化状态的识别率能达到100%,同时能够分阶段、单调性地评估轴承性能退化状态。

引用

页码：1 / 5+24 +24

页数：6

共 13 条

[1]

基于VMD和Infogram的滚动轴承故障特征提取 [J].

夏均忠 ;

于明奇 ;

黄财 ;

汪治安 ;

吕麒鹏 .

振动与冲击, 2017, 36 (22) :111-117

[2]

脉冲噪声下基于Renyi熵的分数低阶双模盲均衡算法 [J].

马济通 ;

邱天爽 ;

李蓉 ;

夏楠 ;

李景春 .

电子与信息学报, 2018, 40 (02) :378-385

[3]

Cumulative sum analysis score and phacoemulsification competency learning curve [J].

Vedana, Gustavo ;

Cardoso, Filipe G. ;

Marcon, Alexandre S. ;

Araujo, Licio E. K. ;

Zanon, Matheus ;

Birriel, Daniella C. ;

Watte, Guilherme ;

Jun, Albert S. .

INTERNATIONAL JOURNAL OF OPHTHALMOLOGY, 2017, 10 (07) :1088-1093

[4]

基于局部特征尺度分解和JRD距离的液压泵性能退化状态识别方法 [J].

田再克 ;

李洪儒 ;

谷宏强 ;

许葆华 .

振动与冲击, 2016, 35 (20) :54-59

[5]

基于最优小波包Shannon熵的再制造电机转子缺陷诊断技术 [J].

闫晓玲 ;

董世运 ;

徐滨士 .

机械工程学报, 2016, 52 (04) :7-12

[6]

A review on data-driven fault severity assessment in rolling bearings.[J].Mariela Cerrada;René-Vinicio Sánchez;Chuan Li;Fannia Pacheco;Diego Cabrera;José Valente de Oliveira;Rafael E. Vásquez.Mechanical Systems and Signal Processing.2018,

[7]

The use of MD-CUMSUM and NARX neural network for anticipating the remaining useful life of bearings.[J].Akhand Rai;S.H. Upadhyay.Measurement.2017,

[8]

Bearing damage assessment using Jensen-Rényi Divergence based on EEMD.[J].Jaskaran Singh;A.K. Darpe;S.P. Singh.Mechanical Systems and Signal Processing.2017,

[9]

Bearing performance degradation assessment based on a combination of empirical mode decomposition and k-medoids clustering.[J].Akhand Rai;S.H. Upadhyay.Mechanical Systems and Signal Processing.2017,

[10]

Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals.[J].Jaouher Ben Ali;Nader Fnaiech;Lotfi Saidi;Brigitte Chebel-Morello;Farhat Fnaiech.Applied Acoustics.2015,

← 1 2 →