一种基于解卷积和包络谱的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于解卷积和包络谱的滚动轴承故障诊断方法，为研究不同损伤程度情况下，对滚动轴承工作状态分类识别结果的影响，对滚动轴承滚动体故障信号进行分析，转轴转速1800r/min，采样频率12000Hz，损伤程度按损伤点直径分为轻微、中等和重度，本发明专利技术结构科学合理，使用安全方便，该方法首先对滚动轴承振动信号利用MCKD算法进行故障特征增强，对增强后信号进行VMD分解，通过基于能量熵增量、峭度准则选取包含主要故障特征信息的IMF分量，提取各敏感IMF分量的包络谱特征幅值比和包络谱熵以更好地反映和量化故障特征信息，并采用模糊C均值聚类算法对故障状态识别，实现滚动轴承工作状态和故障类型的诊断。

【技术实现步骤摘要】
一种基于解卷积和包络谱的滚动轴承故障诊断方法
本专利技术涉及滚动轴承故障诊断术领域，具体为一种基于解卷积和包络谱的滚动轴承故障诊断方法。
技术介绍
滚动轴承是机械设备中最为常用的零件，它为机械结构提供了可靠支撑，其运行状态将直接影响设备的运行安全和相关性能，由于工作环境恶劣，滚动轴承在工作周期早期极易产生磨损、擦伤和点蚀等局部缺陷故障，然而，机械设备运转时其工况复杂，产生的振动信号常混有强烈的外部噪声，导致故障特征信息淹没其中，不易识别和提取，如何在强背景噪声环境下有效提取反映滚动轴承的微弱故障特征已成为故障诊断领域研究的热点和难点；滚动轴承振动信号具有非线性和非平稳性特点，针对此类信号，时频分析方法具有更好地适用性，其中以经验模态分解(EmpiricalModeDecomposition，EMD)和局部均值分解(LocalMeanDecomposition，LMD)的应用最为广泛，但由于缺乏坚实的理论基础且分解时受噪声、采样频率等因素的限制，EMD和LMD存在严重的端点效应和模态混叠问题，鉴于此，Dra等于2014年提出了一种非递归式信号分解方法—变分模态分解(Variationa本文档来自技高网...

【技术保护点】
1.一种基于解卷积和包络谱的滚动轴承故障诊断方法，其特征在于：包括如下步骤：S1、在滚动轴承故障模拟实验台上按特定采样频率分别采集正常状态、内圈故障、外圈故障和滚动体故障状态下的试验数据；S2、将步骤S1中的试验数据采用MCKD算法对四种状态下的振动信号进行降噪处理，突显信号的故障特征；S3、对步骤S2中振动信号去噪后进行VMD分解，并通过能量熵增量、峭度准则得到不同状态下可有效表征信号自身特性的模态分量；S4、计算各模态分量的包络谱幅值特征比δi、λi以及归一化包络谱熵bi(i＝1,2,…,K)，并构建多特征高维特征向量T＝[δ1,…,δK,λ1,…,λK,b1,…,bK]；S5、选取一部分...

【技术特征摘要】
1.一种基于解卷积和包络谱的滚动轴承故障诊断方法，其特征在于：包括如下步骤：S1、在滚动轴承故障模拟实验台上按特定采样频率分别采集正常状态、内圈故障、外圈故障和滚动体故障状态下的试验数据；S2、将步骤S1中的试验数据采用MCKD算法对四种状态下的振动信号进行降噪处理，突显信号的故障特征；S3、对步骤S2中振动信号去噪后进行VMD分解，并通过能量熵增量、峭度准则得到不同状态下可有效表征信号自身特性的模态分量；S4、计算各模态分量的包络谱幅值特征比δi、λi以及归一化包络谱熵bi(i＝1,2,…,K)，并构建多特征高维特征向量T＝[δ1,…,δK,λ1,…,λK,b1,…,bK]；S5、选取一部分数据作为标准样本，以样本均值为FCM算法的初始聚类中心，余下数据作为检测样本，并根据FCM的聚类结果识别出滚动轴承的工作状态和故障类型。2.根据权利要求1所述的一种基于解卷积和包络谱的滚动轴承故障诊断方法，其特征在于，所述步骤S1中采用滚动轴承故障模拟实验台上所获取的滚动轴...

【专利技术属性】
技术研发人员：周小龙，杨恭勇，姜振海，马风雷，
申请(专利权)人：北华大学，
类型：发明
国别省市：吉林,22