基于变分模态分解的旋转机械故障诊断研究

转子、滚动轴承等是工业生产机械中许多机器设备的重要零部件,对机器的正常运转有重要影响。故障振动信号一般具有非平稳、非线性、非高斯等特性,单一的方法难以提取故障振动信号中有效的特征信息。因此本文采用变分模态分解(Variational Mode Decomposition,VMD)这种全新的信号处理方法,并结合一些其他信号处理手段,对机械故障振动信号进行分析处理。主要研究内容如下:1、基于变分模态分解的转子故障时频分析方法针对转子故障诊断问题,使用一种基于变分模态分解的信号处理方法,该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换即可得到瞬时频率和幅值信息。针对仿真信号和典型转子故障信号进行VMD方法和EMD方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。2、基于VMD和1.5维Teager能量谱的滚动轴承故障特征提取为准确提取滚动轴承故障信号中的故障特征,使用基于VMD和1.5维Teager能量谱的滚动轴承故障特征提取方法。故障特征提取过程:首先,对滚动轴承故障信号进行VMD分解得到一组分量,根据峭度-相关系数准则筛选分量进行信号重构;再次,对重构信号进行1.5维Teager能量谱分析,根据能量谱图的分析,提取出滚动轴承的内圈和滚动体故障特征。仿真和实验信号的分析验证了所提方法的有效性。与EEMD比较,采用VMD和1.5维Teager能量谱的分析方法更具有区分性,可以有效识别滚动轴承的故障特征。3、基于VMD、模糊熵和模糊C均值聚类的滚动轴承故障诊断使用一种基于VMD、模糊熵和模糊C均值聚类(FCM)算法的模式识别方法。首先采用VMD方法对信号进行分解,取相关性较大的分量组成初始特征向量矩阵;而后对初始特征向量矩阵求取模糊熵值,组成模糊熵值特征向量矩阵;最后将模糊熵值特征向量矩阵作为数据源输入FCM进行故障模式识别。将该方法应用于滚动轴承的故障模式识别,并与基于EMD和FCM的模式识别方法进行对比,验证了所提方法的有效性。