針對液壓泵故障診斷問題,提出一種基于局部均值分解（LMD）、形態(tài)譜和核模糊C均值聚類相結(jié)合的方法。首先,用LMD分解液壓泵振動信號,得到具有物理意義的若干個模態(tài)分量（PFs）;其次,選取含有特征信息豐富的3個PFs為數(shù)據(jù)源,采用基于峰度值、能量和均方差的評價方法,從這3個PFs中提取出各個尺度上的形態(tài)譜的3個平均值,將其組成一個向量;最后,采用核模糊C均值聚類方法（KFCM）對不同工況下所有樣本進(jìn)行聚類分析,對液壓泵故障進(jìn)行診斷。此外,將信號采用經(jīng)驗(yàn)?zāi)B(tài)方法（EMD）分解、模糊C均值聚類方法（FCM）分析,結(jié)果表明LMD和KFCM分別優(yōu)于EMD和FCM;該方法診斷精度高,是液壓泵故障診斷的有效方法。 

【文章來源】：噪聲與振動控制. 2020,40(02)CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

斜盤軸向柱塞泵實(shí)驗(yàn)系統(tǒng)

以長度為0.1 s的松靴故障信號LMD分解為例，圖2為原始信號、8個PFs和1個殘余分量。實(shí)測液壓泵故障信號是一個非常復(fù)雜的非線性、非平穩(wěn)、多個模態(tài)組成的信號。它可能由泵體本身或周圍設(shè)備引入的高斯白噪聲模態(tài)、采集系統(tǒng)或設(shè)備引入的脈沖噪聲模態(tài)、故障導(dǎo)致的振動模態(tài)等很多個模態(tài)組成，所以基于LMD對其進(jìn)行分解時，會產(chǎn)生8個模態(tài)。

每個工況有10個樣本，4個工況可以產(chǎn)生40個樣本。利用樣本對故障進(jìn)行KFCM聚類，參數(shù)c、m、δ2分別設(shè)為4、1.5、250。KFCM的識別結(jié)果如圖3和圖4所示，聚類中心如表3所示。圖4 形態(tài)譜均值的二維聚類圖

【參考文獻(xiàn)】：
期刊論文
[1]液壓泵故障診斷稀疏編碼方法研究[J]. 王鵬飛,王新晴,朱會杰,李艷峰,張梅軍.  北京理工大學(xué)學(xué)報. 2017(05)
[2]基于遺傳算法的差值形態(tài)濾波尺度參數(shù)優(yōu)化方法研究[J]. 呂博,張永祥,柯維.  中國機(jī)械工程. 2013(03)
[3]基于LMD的能量算子解調(diào)機(jī)械故障診斷方法[J]. 程軍圣,楊怡,楊宇.  振動.測試與診斷. 2012(06)
[4]基于樣本密度KFCM新算法及其在故障診斷的應(yīng)用[J]. 陶新民,徐晶,付強(qiáng),劉興麗.  振動與沖擊. 2009(08)
[5]基于數(shù)學(xué)形態(tài)濾波的齒輪故障特征提取方法[J]. 章立軍,楊德斌,徐金梧,陳志新.  機(jī)械工程學(xué)報. 2007(02)



本文編號：3109496