基于VMD-IMDE-PNN的滚动轴承故障诊断方法.docx

基于VMD-IMDE-PNN的滚动轴承故障诊断方法
摘要
滚动轴承是机械设备中常用的重要部件，其工作状态对机械设备的运转状态与寿命有着决定性的影响。因此，轴承故障的诊断及预测具有重要的意义。本文提出了一种基于VMD-IMDE-PNN的滚动轴承故障诊断方法。首先，使用时频分析法VMD对轴承振动信号进行分解，实现信号的精细化处理。其次，借助改进的IMDE算法进行轴承状态的数学建模，并提取了能够区分故障状态的特征量。最后，将特征量输入到PNN网络中进行诊断分类。实验结果表明，该方法具有较高的诊断准确率和对多种故障状态的识别能力。
关键词：滚动轴承；故障诊断；VMD-IMDE-PNN；特征量
Abstract
Rollingbearingsarecommonlyusedimportantcomponentsinmechanicalequipment,andtheirworkingstatehasadecisiveeffectontheoperatingstateandservicelifeofmechanicalequipment.Therefore,thediagnosisandpredictionofbearingfaultsareofgreatsignificance.Inthispaper,arollingbearingfaultdiagnosismethodbasedonVMD-IMDE-PNNisproposed.Firstly,thevibrationsignalofthebearingisdecomposedbyusingthetime-frequencyanalysismethodVMDtoachievefineprocessingofthesignal.Secondly,theimprovedIMDEalgorithmisusedtoestablishthemathematicalmodelofthebearingstateandextractthefeaturequantitiesthatcandistinguishthefaultstate.Finally,thefeaturequantitiesareinputintothePNNnetworkfordiagnosisclassification.Theexperimentalresultsshowthatthemethodhashighdiagnosticaccuracyandtheabilitytoidentifymultiplefaultstates.
Keywords:rollingbearing;faultdiagnosis;VMD-IMDE-PNN;featurequantities
引言
滚动轴承作为机械设备中常用的重要部件，其工作状态对机械设备的运转状态与寿命有着决定性的影响。因此，滚动轴承故障的诊断及预测具有重要的意义。随着机械设备的复杂化，轴承信号的噪声干扰与复杂性也在不断增强，因此，如何准确有效地提取滚动轴承信号中的故障特征是滚动轴承故障诊断中需要解决的关键问题。
本文提出了一种基于VMD-IMDE-PNN的滚动轴承故障诊断方法。该方法结合了时频分析法VMD、改进的IMDE算法和PNN网络，能够提取能够区分轴承故障状态的特征量，并实现了精细化的信号处理和故障诊断分类。实验结果表明，该方法具有较高的诊断准确率和对多种故障状态的识别能力。
理论基础
振动信号的分析方法
振动信号是传递轴承故障信息的主要载体，在滚动轴承的故障诊断分类中具有重要的作用。常用的振动信号分析方法主要包括时域、频域、时频域分析方法。
时域分析方法以时间为基础，直接进行时域波形的观察和分析，能直观反映信号的变化过程。主要包括波形分析、包络分析、相关分析等。时域分析法易于操作，可以初步判定轴承的故障类型，但是对信号的提取质量要求较高，同时也存在灵敏度低的问题。
频域分析方法以频率为基础，将信号在频域上进行分析，获得信号的频域特性。主要包括傅里叶变换、小波变换、功率谱密度等。频域分析法能够提取信号的频域特性，较好地反映轴承工作状态的频率变化情况，但是其无法直接刻画信号的时变特性。
时频域分析方法是对时域和频域方法的补充，拥有时域和频域方法的优点。常用时频分析方法有小波包变换、瞬时频率分析、VMD等。时频域分析法能够同时刻画信号的时、频变化情况，具有更好的故障特征提取能力。
IMDE模型
2.1.IMDE算法
IMDE是基于自适应多尺度模态分解（AMD）和Euler运动方程建立的一种滚动轴承状态监测与分析方法。AMD是基于小波的多尺度分析方法，能够将信号分解为多个尺度的局部不同频率、不同调制方式的成分，同时具有良好的适应性和可扩展性。Euler运动方程则能够直接反映轴承受力情况