現(xiàn)場采集的滾動(dòng)軸承復(fù)合故障聲學(xué)信號存在噪聲來源復(fù)雜、背景噪聲強(qiáng)、非線性等特點(diǎn),導(dǎo)致已知的自適應(yīng)多尺度形態(tài)濾波不能很好的適用于軸承復(fù)合故障的盲分離。針對上述問題,提出一種基于改進(jìn)的自適應(yīng)多尺度多結(jié)構(gòu)形態(tài)濾波(IAMSCMF)、改進(jìn)的小波閾值降噪方法(IWTDM)和稀疏量分析(SCA)相結(jié)合的滾動(dòng)軸承復(fù)合故障特征盲提取方法。首先利用IAMSCMF和IWTDM構(gòu)造濾波器進(jìn)行濾波及提高信噪比(SNR);其次利用SCA分離信號;最后用FFT進(jìn)行頻譜分析。仿真分析和滾動(dòng)軸承現(xiàn)場采集聲學(xué)信號分析結(jié)果均清晰的提取出了軸承故障特征,驗(yàn)證了算法的有效性。 

【文章來源】：振動(dòng)與沖擊. 2020年12期 第221-226+288頁 北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

基于IAMSCMF-IWTNDM-SCA的流程圖

由圖(3)的幅值譜可知,源信號xt的基頻為9 Hz,存在153 Hz倍頻,信號yt的基頻為20 Hz,存在120 Hz倍頻。通過圖5可知,在混合信號頻譜圖中同時(shí)出現(xiàn)源信號xt,yt的倍頻120 Hz和153 Hz,說明信號被成功混合。經(jīng)過IAMSCMF-IWTNDM-SCA方法得到的分離信號幅值譜見圖6,由圖可清楚的看到源信號xt和yt得到了很好的分離,圖6的第1個(gè)分量圖存在20 Hz的基頻及其倍頻,符合源信號yt的特征頻率譜線,第2個(gè)分量圖存在9 Hz的基頻及其倍頻,符合源信號xt的特征頻率譜線。由分析結(jié)果可得,IAMSCMF-IWTNDM-SCA算法能有效的分離旋轉(zhuǎn)機(jī)械復(fù)合故障。

經(jīng)過IAMSCMF-IWTNDM-SCA方法得到的分離信號幅值譜見圖6,由圖可清楚的看到源信號xt和yt得到了很好的分離,圖6的第1個(gè)分量圖存在20 Hz的基頻及其倍頻,符合源信號yt的特征頻率譜線,第2個(gè)分量圖存在9 Hz的基頻及其倍頻,符合源信號xt的特征頻率譜線。由分析結(jié)果可得,IAMSCMF-IWTNDM-SCA算法能有效的分離旋轉(zhuǎn)機(jī)械復(fù)合故障。圖4 混合信號時(shí)間波形圖


本文編號：2905873