變分模態(tài)分解(Variational Mode Decomposition, VMD)是一種不同于遞歸式模態(tài)分解新方法,具有優(yōu)良的頻率剖分特性,但其在處理信號時受分量個數(shù)影響嚴重,通過主觀經(jīng)驗難以合理設置該參數(shù)。針對該問題,利用奇異值分解清晰的信噪分辨能力,根據(jù)奇異值最佳有效秩階次自動搜尋VMD的分量個數(shù),提出了一種改進變分模態(tài)分解的風電齒輪箱不平衡故障特征提取方法。通過仿真信號及軸不平衡實驗信號對該方法進行了驗證,并將其應用于風電齒輪箱穩(wěn)定工況下的現(xiàn)場故障診斷中,均成功提取出微弱特征頻率信息,實現(xiàn)對齒輪箱不平衡故障的有效判別,具有一定可靠性。 

【文章來源】：振動與沖擊. 2020年05期 北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

S7分量細化譜

式中:thr1為斜率差值的上閾值;thr2為斜率差值的下閾值,其具體數(shù)值得根據(jù)信號強度大小而定,通常取thr1=50,thr2=5便能求出奇異值突變點階次k。改進變分模態(tài)分解方法其具體流程如圖1所示。3 仿真信號分析

x(t)=x 1 (t)+x 2 (t)+x 3 (t)?????? ??? (12)對合成信號進行奇異值分解后得到圖3所示奇異值分布曲線,根據(jù)式(9)～(11)計算得到奇異值突變點為3,這跟仿真信號由三個分量組成完全一致,因此確定VMD分量個數(shù)K=3。

【參考文獻】：
期刊論文
[1]基于參數(shù)自適應變分模態(tài)分解的行星齒輪箱故障診斷[J]. 孫燦飛,王友仁,沈勇,陳偉.  航空動力學報. 2018(11)
[2]基于VMD多特征量風電機組軸承故障診斷法[J]. 張瑤,張宏立.  計算機仿真. 2018(09)
[3]基于變分模態(tài)分解和Teager能量算子的滾動軸承故障特征提取[J]. 馬增強,李亞超,劉政,谷朝健.  振動與沖擊. 2016(13)
[4]基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J]. 劉長良,武英杰,甄成剛.  中國電機工程學報. 2015(13)
[5]參數(shù)優(yōu)化變分模態(tài)分解方法在滾動軸承早期故障診斷中的應用[J]. 唐貴基,王曉龍.  西安交通大學學報. 2015(05)

博士論文
[1]基于振動信號處理的滾動軸承故障診斷方法研究[D]. 王曉龍.華北電力大學(北京) 2017



本文編號：2930982