强噪声背景下频率加权能量算子和变分模态分解在轴承故障提取中的应用

被引：33

作者：

徐元博

蔡宗琰

胡永彪

丁凯

机构：

[1] 长安大学道路施工技术与装备教育部重点实验室

来源：

振动工程学报 | 2018年 / 31卷 / 03期

关键词：

故障诊断; 滚动轴承; 振动筛; 变分模态分解; 频率加权能量算子;

D O I：

10.16385/j.cnki.issn.1004-4523.2018.03.017

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：

从机械系统中传出的信号通常包含着不同的叠加振动成分,包括有用信息以及不可避免的背景噪声和其他频率干扰,因此波形较为复杂,并且其幅值和频率会随着时间发生变化。当背景环境较为复杂或噪声较大时,从混合信号中提取出的轴承故障特征信号更是如此。对于此类信号,模态分解算法不仅可以去除大量的高频噪声,而且还能将振动信号分解成一系列具有单一成分的模态分量,从而更好地发现振动信号的物理意义。引入一种新的轴承故障特征提取方法,首先利用变分模态分解算法先将故障信号分解为若干个成分单一的模态分量;然后利用一种新的能量算子——频率加权能量算子对含有故障频率的模态分量进行处理,得到其能量谱从而提取出轴承故障特征频率;最后以一种常见的振动筛分设备振动筛为实际案例,对其轴承故障特征进行提取,并通过对比,说明了该算法的优越性和实用性。

引用

页码：513 / 522

页数：10

共 18 条

[1]

Rolling Bearing Fault Diagnosis and Health Assessment Based on EMD–TEO.[J].You Ning Tang;Chen Lu;Jia Meng Hu.Advanced Materials Research.2014, 998

[2]

Synchrosqueezed wavelet transforms: An empirical mode decomposition-like tool.[J].Ingrid Daubechies;Jianfeng Lu;Hau-Tieng Wu.Applied and Computational Harmonic Analysis.2010, 2

[3]

Multivariate and multiscale monitoring of large-size low-speed bearings using Ensemble Empirical Mode Decomposition method combined with Principal Component Analysis.[J]..Mechanical Systems and Signal Processing.2009, 4

[4]

Instantaneous energy density as a feature for gear fault detection.[J].S.J. Loutridis.Mechanical Systems and Signal Processing.2005, 5

[5]

The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis [J].