-
题名基于ASMVMD和MOMEDA的齿轮特征提取方法
- 1
-
-
作者
唐贵基
曾鹏飞
朱爽
-
机构
华北电力大学机械工程系
河北省电力机械装备健康维护与失效预防重点实验室
-
出处
《机电工程》
CAS
北大核心
2024年第12期2174-2184,共11页
-
基金
河北省自然科学基金资助项目(E2020502031)。
-
文摘
针对齿轮信号易被强噪声干扰,导致损伤特征难以提取的问题,提出了一种基于自适应逐次多元变分模态分解(ASMVMD)和多点最优最小熵解卷积(MOMEDA)的齿轮故障特征提取方法。首先,采用加权黑猩猩优化算法对SMVMD分解参数进行了自适应寻优,以SMVMD分解后各个通道的所有分量的平均包络谱峰值因子(Ec)之和的相反数作为寻优的适应度函数,确定了最大惩罚因子α和最大分解模态数k的最优值;然后,采用ASMVMD方法对齿轮多通道故障数据进行了自适应分解,根据Ec指标提取了各通道特定分量,并将这些分量相加,进行了信号重构;最后,采用MOMEDA解卷积处理了重构信号,进一步强化了齿轮故障的冲击特性,并利用包络谱分析解卷积信号,提取了齿轮的故障特征频率。研究结果表明:通过仿真信号和模拟实验信号的分析,可知利用ASMVMD-MOMEDA相结合的方法处理得到的信号降噪效果显著,能有效抑制无关干扰成分的影响,从包络谱中可以清晰地看到故障频率的前几阶倍频;与多元经验模态分解(MEMD)-MOMEDA相结合的方法进行对比,发现采用ASMVMD-MOMEDA方法得到的包络谱较MEMD-MOMEDA方法的谱线更加干净,各阶倍频更加明显,进一步证明ASMVMD-MOMEDA方法可以准确提取齿轮故障特征。
-
关键词
齿轮损伤特征
故障特征提取
自适应逐次多元变分模态分解
多点最优最小熵解卷积
多通道
解卷积
包络谱峰值因子
信号重构
-
Keywords
gear damage characteristics
fault feature extraction
adaptive successive multivariate variational mode decomposition(ASMVMD)
multipoint optimal minimum entropy deconvolution adjusted(MOMEDA)
multi-channel
deconvolution
envelope spectrum peak factor
signal reconstruction
-
分类号
TH132.41
[机械工程—机械制造及自动化]
TH165.3
[机械工程—机械制造及自动化]
-
