基于SVMD与参数优化MCKD的轴承故障诊断

针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度指标更为突出的加权峭度指标;其次,利用SVMD方法对轴承信号进行了分解,获得了若干模态分量,并使用加权峭度指标从多个模态分量中筛选出了故障特征最丰富的模态分量;然后,以包络熵为标准,通过几何平均优化器(GMO)优化MCKD的滤波器长度和周期两个参数,获得了最佳的参数组合;最后,采用GMO-MCKD方法对轴承信号进行了降噪,对降噪后的信号进行了包络分析,提取了轴承特征频率;同时,采用粒子群优化(PSO)的变分模态分解(VMD)和粒子群优化的变分模态提取(VME),对轴承信号进行了对照分析。研究结果表明:采用SVMD-GMO-MCKD方法在辛辛那提数据集中诊断出轴承特征频率为234.4 Hz及其二倍频;在西储大学轴承数据集中诊断出轴承特征频率为108.96 Hz,二倍频为218.09 Hz。该方法可以增强滚动轴承的周期性冲击成分,在有干扰的背景下有效地提取出滚动轴承内圈和外圈的故障特征,且轴承故障特征提取效果优于PSO-VMD和PSO-VME方法。

基于SVMD和波形因子准则的电动机滚动轴承故障特征提取方法

电动机轴承故障产生的冲击性信号具有非平稳、非线性的特点,且极易被随机噪声信号干扰,导致轴承故障特征信号的提取极具挑战性。为此提出一种基于连续变分模态分解(SVMD)和波形因子筛选准则的轴承故障信号提取方法。首先,考虑到传感器的零点漂移问题,对原始振动信号去趋势;其次,运用平滑噪声稳健差分器进行降噪;然后,运用SVMD算法分解降噪后的信号,分解过程无需事先知道信号模态数目,避免了模态数难以确定的问题;接下来,使用波形因子准则筛选出合适的模态分量描述轴承运动特征信号;最后,运用包络谱分析提取故障特征频率。仿真和实际轴承故障数据实验结果表明,与变分模态分解类方法相比,所提方法避免了事先预估模态数量,能够准确提取电动机轴承故障的特征信号。

基于SVMD和自适应MOMEDA的齿轮箱故障诊断

受背景噪声和传输路径的影响,故障信号往往被淹没,故障特征难以提取。基于此,提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法,通过SVMD前处理得到重构信号,然后以平均谱负熵为适应函数,通过人工鱼群优化算法自适应选择MOMEDA的最优参数。利用所得参数对重构信号进行MOMEDA滤波,最后进行包络谱分析,做出故障类型诊断。将所提方法应用于齿轮箱主动轮断齿故障的仿真信号和实验信号中,在包络频谱中可以清楚地分辨出小齿轮转频及其倍频,同时所提方法相对其他方法具有更好的表现效果。