針對往復壓縮機軸承振動信號強烈的非平穩(wěn)、非線性的特點,提出了一種基于多重共振稀疏分解（MRSSD）與多尺度符號動力學熵（MSDE）相結合的往復壓縮機滑動軸承故障診斷方法。首先,設置高、低品質因子的取值范圍,求出能表示故障沖擊成分的低品質因子值,對信號進行共振稀疏分解,形成高、低共振分量;然后,根據(jù)高共振分量的峭度值評定分解結果,峭度值小于設定閾值時改變高品質因子值,繼續(xù)對低共振分量進行共振稀疏分解,峭度值大于設定閾值時終止分解;最后,計算最終所得低共振分量的多尺度符號動力學熵,構造故障特征向量,并利用支持向量機進行故障特征識別。試驗結果表明,該方法可以逐步降低干擾成分的影響,有效診斷往復壓縮機滑動軸承故障,與基于遺傳算法優(yōu)化品質因子的共振稀疏分解和多尺度排列熵（MPE）相結合的方法相比,故障識別率顯著提高。 

【文章來源】：軸承. 2020,(09)北大核心

【文章頁數(shù)】：7 頁

【文章目錄】：
1 多重信號共振稀疏分解
    1.1 信號共振稀疏分解
    1.2 多重共振稀疏分解
2 多尺度符號動力學熵及參數(shù)設置
    2.1 多尺度符號動力學熵
    2.2 參數(shù)設置
3 往復壓縮機故障特征提取試驗
    3.1 試驗背景
    3.2 多重共振稀疏分解及特征提取
    3.3 故障識別結果對比分析
4 結論


【參考文獻】：
期刊論文
[1]基于多尺度排列熵的自調心雙列滾動軸承故障診斷[J]. 仲太生,羅素萍.  機械設計與制造工程. 2018(12)
[2]基于VMD共振稀疏分解的滾動軸承故障診斷[J]. 楊偉,王紅軍.  電子測量與儀器學報. 2018(09)
[3]基于字典學習形態(tài)分量分析的軸承故障診斷[J]. 吳洋,郝如江,李非.  石家莊鐵道大學學報(自然科學版). 2018(02)
[4]采用品質因子優(yōu)化和子帶重構的共振稀疏分解滾動軸承故障診斷方法[J]. 陳保家,汪新波,嚴文超,田紅亮,肖文榮,陳法法,劉浩濤.  西安交通大學學報. 2018(04)
[5]基于最優(yōu)品質因子信號共振稀疏分解的滾動軸承故障診斷[J]. 李星,于德介,張頂成.  振動工程學報. 2015(06)
[6]基于信號共振稀疏分解與包絡譜的齒輪故障診斷[J]. 張文義,于德介,陳向民.  中國機械工程. 2013(24)
[7]符號動力學信息熵在氣液兩相流型電導信號分析中的應用[J]. 李洪偉,周云龍,任素龍,楊悅.  化工學報. 2012(11)



本文編號：3173465