強(qiáng)背景噪聲環(huán)境下,復(fù)合故障信號(hào)中的多特征提取與分離是實(shí)現(xiàn)滾動(dòng)軸承復(fù)合故障診斷的重點(diǎn)與難點(diǎn)。提出了基于自適應(yīng)最大二階循環(huán)平穩(wěn)盲卷積（CYCBD）和互相關(guān)譜的滾動(dòng)軸承復(fù)合故障特征提取方法。首先,基于故障信號(hào)特點(diǎn),通過設(shè)置CYCBD中不同的循環(huán)頻率,提取不同頻率的故障沖擊成分,并以最大諧波顯著性指數(shù)（HSI）為依據(jù),自適應(yīng)選取CYCBD的最優(yōu)濾波器長度;然后,利用互相關(guān)分析進(jìn)一步抑制信號(hào)中的噪聲,提高信噪比;最終通過快速傅里葉變換（FFT）實(shí)現(xiàn)滾動(dòng)軸承故障特征的提取。仿真和實(shí)測信號(hào)的分析結(jié)果表明,該方法能夠去除背景噪聲的干擾、提取滾動(dòng)軸承復(fù)合故障特征,驗(yàn)證了方法的有效性。 

【文章來源】：振動(dòng)與沖擊. 2020,39(11)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

EMD分析仿真信號(hào)的結(jié)果

步驟5 利用快速傅里葉變換(Fast Fourier Transform, FFT)分析互相關(guān)信號(hào),提取滾動(dòng)軸承故障特征,確定軸承故障類型。3 仿真信號(hào)分析

圖2為該仿真信號(hào)的時(shí)域波形及其包絡(luò)譜,其中,包絡(luò)譜通過對(duì)信號(hào)直接進(jìn)行Hilbert變換和FFT獲得。受到背景噪聲的干擾,周期性沖擊成分在時(shí)域波形中未得到體現(xiàn);包絡(luò)譜中,僅能識(shí)別出軸承外圈故障特征頻率fo=115 Hz、軸承內(nèi)圈故障特征頻率fi=180 Hz及其三倍頻,噪聲的干擾較為明顯,分析效果不佳。接下來利用本文提出的算法分析仿真信號(hào),結(jié)果如圖3所示。根據(jù)圖3(a)和(b)可知,當(dāng)濾波器長度分別為127和378時(shí),HSI值達(dá)到最大,因此當(dāng)提取內(nèi)圈故障特征和外圈故障特征時(shí),濾波器長度分別設(shè)為N=127和N=378,分析得到的最佳濾波信號(hào)如圖3(c)和(d)所示,圖中背景噪聲得到了明顯降低。濾波信號(hào)的互相關(guān)譜如圖3(e)和(f)所示,圖3(e)中,轉(zhuǎn)頻30 Hz,軸承內(nèi)圈故障特征頻率180 Hz及其倍頻成分能夠得到明顯識(shí)別,圖3(f)中,軸承外圈故障特征頻率及其倍頻成分得到有效提取,噪聲干擾得到明顯抑制,綜上可以判斷該軸承存在內(nèi)圈和外圈故障,證明了本文提出的方法可以在強(qiáng)噪聲干擾的條件下,有效地分離和提取軸承復(fù)合故障特征。

【參考文獻(xiàn)】：
期刊論文
[1]基于譜峭度和最大相關(guān)峭度解卷積的滾動(dòng)軸承復(fù)合故障特征分離方法[J]. 胡愛軍,趙軍,孫尚飛,黃申申.  振動(dòng)與沖擊. 2019(04)
[2]基于改進(jìn)時(shí)頻譜分析方法的滾動(dòng)軸承復(fù)合故障診斷[J]. 王宏超,向國權(quán),郭志強(qiáng),鞏曉赟,杜文遼.  航空動(dòng)力學(xué)報(bào). 2017(07)
[3]滾動(dòng)軸承復(fù)合故障診斷的自適應(yīng)方法研究[J]. 馬新娜,楊紹普.  振動(dòng)與沖擊. 2016(10)



本文編號(hào)：3233700