針對傳統(tǒng)變分模態(tài)分析（VMD）在軸承故障診斷中的分解結(jié)果主要受分量個(gè)數(shù)K和懲罰因子α的影響而導(dǎo)致解析力低的問題,提出了細(xì)菌覓食算法（BFA）優(yōu)化VMD參數(shù)的滾動軸承故障診斷方法。首先利用細(xì)菌覓食算法優(yōu)化VMD的參數(shù)K和α,得到最優(yōu)參數(shù)組合[K,α],再利用優(yōu)化后的VMD分解故障信號得出不同中心頻率的本征模態(tài)分量（IMF）,最后根據(jù)IMF的散布熵值選擇最佳的IMF分量進(jìn)行Teager能量譜分析。實(shí)驗(yàn)結(jié)果分析表明優(yōu)化參數(shù)后的VMD算法解析力更強(qiáng)。 

【文章來源】：組合機(jī)床與自動化加工技術(shù). 2020,(05)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

參數(shù)優(yōu)化流程圖

軸承故障診斷實(shí)驗(yàn)機(jī)床為某機(jī)床廠CAK3675V數(shù)控車床,工件材料為40Cr。主軸轉(zhuǎn)速為400r/min,進(jìn)給量為0.2mm/r,軸承內(nèi)圈直徑為25mm,外圈直徑為52mm。選用加速度傳感器采集軸承故障信號,型號為CT1010L,采樣頻率為20kHz,安裝在軸承基座上,實(shí)驗(yàn)采集了故障振動信號若干。軸承內(nèi)、外圈的時(shí)域和頻譜圖如圖2和圖3所示。圖3 外圈的時(shí)域和頻譜圖

外圈的時(shí)域和頻譜圖

【參考文獻(xiàn)】：
期刊論文
[1]基于VMDIWT近似熵與PSOSVM的轉(zhuǎn)子故障診斷[J]. 張雪英,劉秀麗,欒忠權(quán).  組合機(jī)床與自動化加工技術(shù). 2019(06)
[2]基于細(xì)菌覓食算法求數(shù)值積分[J]. 郭德龍,周錦程.  科技視界. 2019(10)
[3]基于MCKD和teager能量算子的滾動軸承復(fù)合故障診斷[J]. 齊詠生,劉飛,高學(xué)金,李永亭,劉利強(qiáng).  大連理工大學(xué)學(xué)報(bào). 2019(01)
[4]細(xì)菌覓食優(yōu)化算法求解物流配送問題[J]. 王垚,李珺,屈藝暉.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(01)
[5]復(fù)合多尺度散布熵在滾動軸承故障診斷中的應(yīng)用[J]. 鄭近德,李從志,潘海洋.  噪聲與振動控制. 2018(S2)
[6]VMD與MCKD在軸承故障診斷中的應(yīng)用與研究[J]. 王建國,陳帥,張超.  組合機(jī)床與自動化加工技術(shù). 2017(05)

博士論文
[1]基于振動信號的機(jī)械故障特征提取與診斷研究[D]. 趙志宏.北京交通大學(xué) 2012



本文編號：3340677