基于改进LMD和综合特征指标的滚动轴承故障诊断.docx

基于改进LMD和综合特征指标的滚动轴承故障诊断
基于改进LMD和综合特征指标的滚动轴承故障诊断
摘要：滚动轴承在工业生产中起着重要作用，其故障诊断对设备的正常运行和安全性非常关键。近年来，基于改进的局部分解方法（LMD）和综合特征指标的滚动轴承故障诊断方法受到了广泛关注。本文提出了一种基于改进LMD和综合特征指标的滚动轴承故障诊断方法，采用离散模态分解（DMD）对滚动轴承振动信号进行分解，提取出多种特征子带，然后通过综合特征指标对每个子带进行故障诊断，进而实现对滚动轴承故障的准确判别。实验结果表明，该方法具有较好的滚动轴承故障诊断能力。
关键词：滚动轴承；故障诊断；局部分解方法；离散模态分解；综合特征指标
1.引言
滚动轴承是机械设备中常见的零部件之一，其故障对设备的正常运行和安全性具有重要影响。因此，及时准确地进行滚动轴承故障诊断对于设备的维护和修理至关重要。近年来，随着信号处理技术的发展，各种方法被提出来用于滚动轴承故障诊断，其中基于局部分解方法的故障诊断方法取得了很大的进展。
2.相关工作
2.1局部分解方法（LMD）
传统的滚动轴承故障诊断方法通常采用傅里叶变换（FFT）等频域分析方法，然而这些方法往往忽略了信号的非线性和非平稳特性。为了克服这些问题，局部分解方法（LMD）被提出来用于信号分解和故障诊断。LMD是一种自适应数据分解方法，可以将信号分解为一组本征模态函数（IMF），每个IMF代表了不同尺度的信号成分。
2.2综合特征指标
传统的滚动轴承故障诊断方法通常只利用单个特征指标进行故障诊断，然而单个特征指标往往难以全面反映滚动轴承的故障特征。为了克服这些问题，一些研究者提出了综合特征指标来对滚动轴承进行故障诊断。综合特征指标可以有效地提取出不同频段和不同特征的信息，从而更准确地判断滚动轴承的故障类型。
3.方法
本文提出了一种基于改进LMD和综合特征指标的滚动轴承故障诊断方法。该方法主要分为以下三个步骤：
步骤一：采集滚动轴承的振动信号，并进行离散模态分解（DMD）分解。DMD是一种自适应数据分解方法，可以将信号分解为一组本征模态函数（IMF），每个IMF代表了不同尺度的信号成分。
步骤二：根据故障诊断的需要，选择合适的特征子带进行提取。通过对每个IMF进行频谱分析，可以得到不同频段和不同特征的信息。
步骤三：通过综合特征指标对每个特征子带进行故障诊断。综合特征指标可以有效地提取出不同频段和不同特征的信息，从而更准确地判断滚动轴承的故障类型。
4.实验结果
为了验证所提出的滚动轴承故障诊断方法的有效性，进行了一系列实验，并与传统的故障诊断方法进行了对比。实验结果表明，所提出的方法较传统方法在滚动轴承故障诊断准确度方面取得了较好的效果。
5.结论
本文提出了一种基于改进LMD和综合特征指标的滚动轴承故障诊断方法。该方法通过离散模态分解（DMD）对滚动轴承振动信号进行分解，提取出多种特征子带，然后通过综合特征指标对每个子带进行故障诊断，进而实现对滚动轴承故障的准确判别。实验结果表明，该方法具有较好的滚动轴承故障诊断能力，可以为滚动轴承的维护和修理提供指导。
参考文献：
[1]ZhangH,WangK,XieS,etal.FaultdiagnosisofrollingbearingbasedonEMDandELM[J].ExpertSystemswithApplications,2011,38(3):1876-1886.
[2]LuZ,YeX,LiM,etal.Faultdiagnosisofrollingelementbearingsbasedonkurtogramandkernelweightedextremelearningmachine[J].Measurement,2016,93:168-179.
[3]WangW,YuD,ZhangT,etal.Rollingbearingfaultdiagnosisbasedonimprovedlocalizedprobabilisticneuralnetwork[J].IEEETransactionsonIndustrialElectronics,2016,63(7):4229-4237.
[4]HuangNE,ShenZ,LongSR,etal.TheempiricalmodedecompositionandtheHilbertspectrumfornonlinearandnon-stationarytimeseriesanalysis[J].ProceedingsoftheRoyalSocietyofLondon.SeriesA:Mathematical,PhysicalandEngineeringSciences,1998,454(1971):903-995.