【摘要】：傳統(tǒng)方法很難對(duì)滾動(dòng)軸承的早期微弱故障進(jìn)行有效診斷.共振稀疏分解是一種基于多字典庫的稀疏分解方法,可以同時(shí)分解出滾動(dòng)軸承故障信號(hào)中的瞬態(tài)沖擊成分及其持續(xù)震蕩成分(工頻及其諧頻成分).該方法在對(duì)滾動(dòng)軸承早期微弱故障信號(hào)進(jìn)行自適應(yīng)濾波降噪(采用Ensemble Empirical Mode Decomposition,EEMD方法)基礎(chǔ)上,對(duì)處理后的信號(hào)進(jìn)行共振稀疏分解分析,分別構(gòu)建高、低品質(zhì)因子小波基函數(shù)字典庫,并利用形態(tài)學(xué)分析方法建立信號(hào)稀疏表示的目標(biāo)函數(shù),進(jìn)而實(shí)現(xiàn)對(duì)滾動(dòng)軸承發(fā)生故障時(shí)具有低品質(zhì)因子的瞬態(tài)故障成分及其他持續(xù)振蕩高品質(zhì)因子噪聲成分的成功分離.對(duì)分離得到的低品質(zhì)因子信號(hào)成分進(jìn)行包絡(luò)解調(diào)分析,進(jìn)而得到較好的故障提取特征結(jié)果.通過實(shí)驗(yàn)驗(yàn)證了所述方法的有效性.
[Abstract]:The traditional method is difficult to diagnose the early weak fault of rolling bearing effectively. Resonance sparse decomposition is a sparse decomposition method based on multi-dictionary library, which can simultaneously decompose the transient shock component and its sustained oscillation component (power frequency and harmonic component) in the fault signal of rolling bearing. This method is based on adaptive filtering noise reduction (Ensemble empirical Mode Decompositionation EEMD method) for the early weak fault signal of rolling bearing, and the resonance sparse decomposition analysis of the processed signal is carried out. The low quality factor wavelet basis function dictionary and the objective function of sparse signal representation are established by morphological analysis. Then the transient fault components with low quality factors and the noise components of other continuous oscillation high quality factors are successfully separated from each other when the rolling bearings fail. The envelope demodulation analysis is carried out on the components of the separated low quality factor signal, and better fault feature extraction results are obtained. The effectiveness of the method is verified by experiments.
【作者單位】： 國(guó)家電投集團(tuán)河南電力有限公司;
【基金】：河南省高等學(xué)校精密制造技術(shù)與工程重點(diǎn)學(xué)科開放實(shí)驗(yàn)室開放基金資助項(xiàng)目(PMTE201302A)
【分類號(hào)】：TH133.33

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 孫云嵩;于德介;陳向民;李蓉;;基于信號(hào)共振稀疏分解的階比分析及其在齒輪故障診斷中的應(yīng)用[J];振動(dòng)與沖擊;2013年16期

2 張文義;于德介;陳向民;;基于信號(hào)共振稀疏分解與能量算子解調(diào)的軸承故障診斷方法[J];中國(guó)電機(jī)工程學(xué)報(bào);2013年20期

相關(guān)博士學(xué)位論文 前1條

1 王宏超;基于稀疏分解及圖像稀疏表征的滾動(dòng)軸承微弱故障診斷[D];上海交通大學(xué);2015年

相關(guān)碩士學(xué)位論文 前7條

1 張頂成;基于最優(yōu)信號(hào)共振稀疏分解的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D];湖南大學(xué);2016年

2 駱杰;改進(jìn)的原子稀疏分解算法及其在機(jī)械故障診斷中的應(yīng)用研究[D];武漢科技大學(xué);2016年

3 龔永濤;改進(jìn)的共振稀疏分解方法及在機(jī)械故障診斷中的應(yīng)用[D];武漢科技大學(xué);2016年

4 孫占龍;基于共振稀疏分解的滾動(dòng)軸承故障診斷方法研究[D];北京交通大學(xué);2017年

5 鄭曉慧;機(jī)械振動(dòng)信號(hào)的稀疏分解理論研究[D];蘭州理工大學(xué);2014年

6 李星;基于信號(hào)共振稀疏分解的齒輪箱故障診斷方法研究[D];湖南大學(xué);2014年

7 孫云嵩;基于信號(hào)共振稀疏分解的齒輪故障診斷方法研究[D];湖南大學(xué);2013年

，

本文編號(hào)：2124031