【技术实现步骤摘要】
ITD
‑
参数优化MOMEDA滚动轴承故障诊断方法
[0001]本专利技术涉及轴承故障诊断领域,尤其涉及一种
ITD
‑
参数优化
MOMEDA 滚动轴承故障诊断方法
。
技术介绍
[0002]滚动轴承是机械传动系统的重要组成部分,也是易发生故障的部件,因此轴承状态的监测与诊断对于保障操作人员的安全与机械设备的正常运行有着重大意义
。
常见的滚动轴承故障类型包括轴承内圈故障
、
轴承外圈故障
、
滚动体故障
。
[0003]滚动轴承发生故障时,产生的信号往往呈非线性
、
非平稳性,常用小波变换
、
傅里叶变换等时频分析法处理此类信号,但这些时频分析法缺乏一定的自适应性
。
经验模态分解
(Empirical mode decomposition,EMD)
将信号分解为一系列本征模态函数之和,具有一定的自适应性,但存在端点效应
、
模态混淆等问题
。Frei 等提出的固有时间尺度分解
(Intrinsic time scale decomposition,ITD)
在处理端点效应和模态混淆方面有一定优势,计算速度快,适合轴承故障信号的在线处理
。
近年来
ITD
在故障诊断领域得到了广泛应用
。
[0004]Mcdonald
等提出了多点最优 ...
【技术保护点】
【技术特征摘要】
1.
一种
ITD
结合参数优化
MOMEDA
的滚动轴承故障特征提取方法,其特征在于,包括如下步骤:步骤一:利用加速度传感器采集滚动轴承振动信号;步骤二:对采集到的振动加速度信号进行
ITD
分解,得到若干
PR
分量;步骤三:通过最大
Ec
准则筛选出包含故障信息最丰富的
PR
分量;步骤四:通过
Mkurt、GISES
分别优化
MOMEDA
的参数
T、L
;步骤五:以参数优化后的
MOMEDA
对步骤二筛选出的最优
PR
分量进行降噪处理,用于提取故障特征
。2.
根据权利要求1所述的一种
ITD
结合参数优化
MOMEDA
的滚动轴承故障特征提取方法,其特征在于,在所述步骤二中,通过
ITD
分解振动信号的原理如下:设原始振动信号为
X
t
,
ITD
算法将原始信号
X
t
分解为
PR
分量
H
t
及单调趋势分量
L
t
之和
X
t
=
L
t
+H
t
求解基线分量
L
t
:式中,
X
k
为
X
t
的极值点,对应的时间
τ
k
(k
=
1,2,
…
,M)
,
t∈(
τ
k
,
τ
k+1
)
,
M
为极值点的个数,
L
为基线提取算子
。。
式中,
α
是线性缩放因子,用于调节提取固有...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。