針對變模式分解(VMD)中分解層數(shù)K對分解結(jié)果準(zhǔn)確度影響較大以及軸承振動信號夾雜的噪聲極大地影響有用信息提取的問題,提出了一種利用瞬時頻率均值(IFM)確定K值并結(jié)合小波閾值降噪(WTD)和Hilbert變換對軸承的振動信號進(jìn)行分析的方法。首先利用瞬時頻率均值選擇合適的VMD中的K值,然后用VMD方法對含噪聲的信號進(jìn)行自適應(yīng)分解,根據(jù)相關(guān)系數(shù)原則從分解的分量中選取含有主要故障信息的分量進(jìn)行小波閾值降噪分析,最后進(jìn)行Hilbert變換解調(diào)出故障特征頻率。為驗證此方法的可行性,首先通過仿真信號驗證了所用降噪方法的可靠性,然后用提出的IFM-VMD與WTD-Hilbert結(jié)合的方法對實際軸承故障數(shù)據(jù)進(jìn)行分析,該方法故障診斷的準(zhǔn)確率達(dá)到99%以上,說明該方法可以很好地識別滾動軸承的故障信息。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1VMD分解過程

VMD方法的具體實現(xiàn)過程如圖1所示。在VMD分解中,直接影響分解結(jié)果的因素有兩個:懲罰因子α與分解層數(shù)K,其中,懲罰因子α只影響分解結(jié)果的精確度,而K值則直接影響分解結(jié)果的準(zhǔn)確度。相比之下K值的研究更有價值,所以選擇對K值進(jìn)行研究。

圖3降噪后的仿真信號

圖2加入噪聲的仿真信號3實驗分析

圖7K=3時VMD分解結(jié)果

圖6K=2時VMD分解結(jié)果圖8K=4時VMD分解結(jié)果

圖2加入噪聲的仿真信號

圖2表示加入噪聲后的仿真信號,圖3表示進(jìn)行小波降噪和Hilbert變換處理后的仿真信號。比較圖2和圖3,可以發(fā)現(xiàn)經(jīng)過降噪后的信號的信噪比明顯提高,說明文中采用的算法能夠有效地對信號進(jìn)行降噪。圖3降噪后的仿真信號

本文編號：3956265