針對變分模態(tài)分解中模態(tài)個數(shù)的設(shè)定會對分解結(jié)果產(chǎn)生重要影響的問題,提出一種求取最優(yōu)分解層數(shù)的方法,該方法以瞬時頻率的幅值特性為依據(jù),通過分析變分模態(tài)分解過程中,各分量最大幅值之間的關(guān)系來確定最佳分解參數(shù);均方根熵可以反映不同振動信號的能量值,以信號均方根熵為故障特征參量,通過優(yōu)化支持向量機(jī)建立故障分類模型,實現(xiàn)故障模式分類。將基于最大幅值變分模態(tài)分解和均方根熵的故障診斷方法應(yīng)用于滾動軸承實測信號中,實驗結(jié)果表明基于最大幅值變分模態(tài)分解和均方根熵的方法能夠有效識別滾動軸承運行狀態(tài),識別準(zhǔn)確率高達(dá)98. 75%。 

【文章來源】：計量學(xué)報. 2020,41(04)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

4種狀態(tài)時域波形圖

將MA-VMD應(yīng)用于實際滾動軸承信號中。通過預(yù)設(shè)K值并對各分量的Amax進(jìn)行分析得出4種狀態(tài)的K值設(shè)定情況為:正常狀態(tài)4層;內(nèi)圈和外圈故障均6層;滾動體故障5層。運用預(yù)分解方法確定K值，即將LMD的分解層數(shù)應(yīng)用到VMD中，結(jié)果為:正常狀態(tài)5層，內(nèi)圈、外圈和滾動體分別6層。本文將2種方法對滾動體信號進(jìn)行分解時的差異表示在圖2中;且滾動體信號在MA-VMD方法不同K值下的Amax如表1所示。由表1可知:相比于其它K值，當(dāng)K=6時，出現(xiàn)了更明顯的相鄰層Amax接近情況，根據(jù)MA-VMD中理論可認(rèn)為此時產(chǎn)生了過分解，在此可取VMD的最佳模態(tài)個數(shù)為5。

對4種不同狀態(tài)分別采集40組振動信號作為樣本，進(jìn)行MA-VMD分解和預(yù)分解，并計算分解之后每一組的均方根熵值。圖3為利用本文MA-VMD方法隨機(jī)抽取的15組樣本的ERMS值排列情況。圖4為預(yù)分解法下隨機(jī)抽取的15組樣本的ERMS值排列情況。使用MA-VMD方法對信號進(jìn)行分解后，選取前3個分量，計算其PE。圖5為4種信號各15組樣本的排列熵均值分布情況。圖4 4種狀態(tài)15組樣本的ERMS分布(預(yù)分解法)

【參考文獻(xiàn)】：
期刊論文
[1]基于關(guān)聯(lián)維數(shù)和線段聚類的滾動軸承故障診斷[J]. 孟宗,邢婷婷,張圓圓,周明軍,殷娜.  計量學(xué)報. 2019(01)
[2]基于變分模態(tài)分解的關(guān)聯(lián)維數(shù)及相關(guān)向量機(jī)的刀具磨損狀態(tài)監(jiān)測[J]. 何志堅,周志雄,黃向明.  計量學(xué)報. 2018(02)
[3]基于局部均值分解多尺度模糊熵和灰色相似關(guān)聯(lián)度的滾動軸承故障診斷[J]. 孟宗,趙東方,李晶,熊景鳴,劉爽.  計量學(xué)報. 2018(02)
[4]基于樣本熵的風(fēng)力發(fā)電機(jī)早期故障檢測[J]. 謝平,王一凡,江國乾,黃夢君,何群.  計量學(xué)報. 2017(05)
[5]基于經(jīng)驗?zāi)B(tài)分解的聚焦超聲非線性聲場檢測[J]. 鄭慧峰,曹文旭,王月兵,于群,方漂漂.  計量學(xué)報. 2017(05)
[6]局部均值分解和排列熵在行星齒輪箱故障診斷中的應(yīng)用[J]. 丁闖,張兵志,馮輔周,江鵬程.  振動與沖擊. 2017(17)
[7]基于VMD及廣義分形維數(shù)矩陣的滾動軸承故障診斷[J]. 張淑清,邢婷婷,何紅梅,董玉蘭,張立國,姜萬錄.  計量學(xué)報. 2017(04)
[8]廣義變分模態(tài)分解及其在齒輪箱復(fù)合故障診斷中的應(yīng)用[J]. 楊宇,羅鵬,程軍圣.  中國機(jī)械工程. 2017(09)
[9]基于OVMD與SVR的水電機(jī)組振動趨勢預(yù)測[J]. 付文龍,周建中,張勇傳,鄭陽.  振動與沖擊. 2016(08)
[10]基于DEMD和模糊熵的滾動軸承故障診斷方法研究[J]. 孟宗,季艷,閆曉麗.  計量學(xué)報. 2016 (01)



本文編號：3413434