本文關鍵詞： 滾動軸承 變分模態(tài)分解 獨立分量分析 故障診斷　出處：《濟南大學學報(自然科學版)》2017年03期 　論文類型：期刊論文

【摘要】：針對滾動軸承早期故障振動信號能量小且易受背景噪聲干擾,從而導致故障特征提取困難等問題,提出基于變分模態(tài)分解(VMD)與獨立分量分析(ICA)相結合的故障特征提取方法;該方法首先將原始故障信號進行VMD,得到若干正交的本征模態(tài)分量(IMF),然后依據峭度準則對分解后的信號進行分組重構,作為ICA的輸入矩陣,最后采用Fast ICA算法實現故障信號與噪聲信號的分離,從而提取機械故障特征信息;將軸承故障數據作為研究對象進行故障特征提取,并與集成經驗模態(tài)分解-獨立分量分析(EEMD-ICA)方法對特征信號的提取效果進行對比。結果表明,基于VMD與ICA的軸承故障特征提取方法提高了分解效率,解決了信號易受噪聲干擾的問題,實現了軸承故障的精確診斷。
[Abstract]:Aiming at the problem that the vibration signal of early fault of rolling bearing is small in energy and easily disturbed by background noise, it is difficult to extract fault features. A fault feature extraction method based on variational mode decomposition (VMD) and independent component analysis (ICA) is proposed. In this method, the original fault signal is first processed into ICA, and some orthogonal eigenmode components are obtained. Then, the decomposed signal is grouped and reconstructed according to the kurtosis criterion as the input matrix of ICA. Finally, the Fast ICA algorithm is used to separate the fault signal from the noise signal, so as to extract the mechanical fault feature information. The bearing fault data is used as the research object to extract the fault features. And compared with the integrated empirical mode decomposition-independent component analysis (EEMD-ICA) method for feature signal extraction, the results show that. The method of bearing fault feature extraction based on VMD and ICA improves the decomposition efficiency, solves the problem that the signal is vulnerable to noise interference, and realizes the accurate diagnosis of bearing fault.
【作者單位】： 石家莊鐵道大學電氣與電子工程學院;
【基金】：國家自然科學基金項目(11227201,11372199,11572206) 河北省自然科學基金項目(A2014210142)
【分類號】：TH133.3
【正文快照】： 利用振動信號進行分析是設備故障診斷中最直接有效的方法。在機械系統(tǒng)中,由于受復雜背景噪聲以及其他干擾源的影響,早期故障的特征信息往往被淹沒在噪聲中,導致其低頻段特征頻率與諧波特征頻率極其微弱,因此故障特征很難提取出來。有效地提取故障信號一直是機械設備監(jiān)測和故障

【相似文獻】

相關期刊論文 前10條

1 陳岳東，，屈梁生;回轉機械的故障特征提取與分類[J];機械工程學報;1994年S1期

2 高正明;何彬;趙娟;裴永泉;左廣霞;;常用故障特征提取方法[J];機床與液壓;2009年12期

3 李兆飛;柴毅;李華鋒;;多重分形的振動信號故障特征提取方法[J];數據采集與處理;2013年01期

4 韓立靜;徐金梧;陽建宏;黎敏;;基于灰度擊中擊不中變換的故障特征提取方法[J];北京科技大學學報;2012年07期

5 李輝,宋智勇,孫豐瑞;基于小波包-包絡分析的故障特征提取方法[J];振動、測試與診斷;2003年04期

6 李學軍;廖傳軍;褚福磊;;適于聲發(fā)射信號故障特征提取的小波函數[J];機械工程學報;2008年03期

7 梅檢民;肖云魁;賈繼德;趙慧敏;陳祥龍;喬龍;;基于改進階比的變速器微弱故障特征提取[J];振動工程學報;2012年03期

8 任立通;胡金海;謝壽生;王磊;苗卓廣;;基于隨機共振預處理的振動故障特征提取研究[J];振動與沖擊;2014年02期

9 陳長征,羅躍綱,張省,虞和濟;基于小波分析的機械故障特征提取研究[J];機械強度;2001年01期

10 郝志華;馬孝江;;高階非線性時頻表示在故障特征提取中的應用[J];農業(yè)機械學報;2006年02期

相關會議論文 前3條

1 趙志宏;楊紹普;;一種基于ICA的機械故障特征提取方法[A];機械動力學理論及其應用[C];2011年

2 潘宏俠;黃晉英;毛鴻偉;劉振旺;;基于粒子群優(yōu)化的故障特征提取技術研究[A];第九屆全國振動理論及應用學術會議論文摘要集[C];2007年

3 朱啟兵;楊慧中;;基于卷積型小波包奇異值分解的齒輪故障特征提取[A];第二十七屆中國控制會議論文集[C];2008年

相關博士學位論文 前10條

1 蔣超;基于EEMD與MED的沖擊信號自適應故障特征提取方法[D];上海大學;2016年

2 程發(fā)斌;面向機械故障特征提取的混合時頻分析方法研究[D];重慶大學;2007年

3 馮坤;基于內積變換的機械故障特征提取原理與早期識別方法研究[D];北京化工大學;2012年

4 李加慶;基于聲全息的故障特征提取技術研究[D];上海交通大學;2008年

5 趙玲;旋轉機械系統(tǒng)故障特征提取中的分形方法研究[D];重慶大學;2010年

6 陳建國;基于獨立分量分析的機械故障特征提取及分類方法研究[D];大連理工大學;2011年

7 李兆飛;振動故障分形特征提取及診斷方法研究[D];重慶大學;2013年

8 鞠萍華;旋轉機械早期故障特征提取的時頻分析方法研究[D];重慶大學;2010年

9 趙志宏;基于振動信號的機械故障特征提取與診斷研究[D];北京交通大學;2012年

10 趙鵬;離心泵振動故障診斷方法研究及系統(tǒng)實現[D];華北電力大學（北京）;2011年

相關碩士學位論文 前10條

1 薄瑞瑞;基于LMD的振動信號處理及故障特征提取研究[D];內蒙古大學;2015年

2 凡非龍;旋轉機械故障診斷與現場動平衡系統(tǒng)研發(fā)[D];浙江大學;2015年

3 屈紅偉;基于LMD的故障特征提取方法及動平衡技術研究[D];北京化工大學;2015年

4 李嶺陽;基于非線性分析的故障特征提取及識別方法研究[D];北京化工大學;2016年

5 沈金理;機械裝備連接松動故障特征提取方法的研究[D];東華大學;2013年

6 李敏;基于譜融合的管道故障特征提取方法研究[D];北京化工大學;2011年

7 易雄;基于小波分析的機械故障特征提取與診斷技術研究[D];浙江工業(yè)大學;2009年

8 鐘曉平;氣象衛(wèi)星運動部件故障特征提取及振動特性研究[D];上海交通大學;2009年

9 宋震;柴油機典型故障特征提取與診斷研究[D];天津大學;2013年

10 王澤棟;鉆井泵閥的故障特征提取與基于GSM的遠程故障報警儀[D];北京化工大學;2008年

本文編號：1446678