-
题名基于SVMD与参数优化MCKD的轴承故障诊断
- 1
-
-
作者
钟先友
何流
赵潇
-
机构
三峡大学机械与动力学院
湖北文理学院机械工程学院
-
出处
《机电工程》
CAS
北大核心
2024年第7期1179-1188,共10页
-
基金
国家自然科学基金面上项目(52175177)
教育部就业育人项目(20230109802)。
-
文摘
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。
-
关键词
噪声干扰
连续变分模态分解
最大相关峭度反卷积
几何平均优化器
故障特征提取效果
轴承特征频率
-
Keywords
noise interference
successive variational mode decomposition(SVMD)
maximum correlated kurtosis deconvolution(MCKD)
geometric mean optimizer(GMO)
fault feature extraction effect
bearing characteristic frequency
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TH17
[机械工程—机械制造及自动化]
-
