基于变分模态分解奇异值熵的滚动轴承微弱故障辨识方法.docx

基于变分模态分解奇异值熵的滚动轴承微弱故障辨识方法
滚动轴承是工业生产中常用的旋转工件，其可靠性及稳定性对生产质量及设备寿命有着重要的影响。然而，在长时间高速运转中，滚动轴承会发生多种故障。因此，对滚动轴承的故障进行实时监测及诊断具有重要的现实意义。本文介绍一种基于变分模态分解奇异值熵的滚动轴承微弱故障辨识方法。
首先，介绍变分模态分解（VMD）方法和奇异值熵（SVE）的基本原理。VMD方法是一种新型的信号分解方法，它通过迭代寻找一个逐渐变化的窄带滤波器组成的信号分量集合，这些分量代表了原始信号中的不同频带。VMD方法能够提高信号的频率分辨率和分解精度。而SVE是SingularValueEntropy的缩写，是一种对信号的复杂度进行评估的方法。SVE能够有效地提高信号在复杂程度和检测敏感性方面的表现。
接着，本文将介绍基于VMD和SVE的滚动轴承微弱故障辨识方法。该方法分为以下步骤：
1.将滚动轴承的振动信号进行预处理，包括去除偏移量、进行包络分析等。
2.对预处理后的信号进行VMD分解，得到不同频带的分量。
3.对每个分量使用SVE方法进行复杂度评估，得到每个分量的奇异值熵。
4.利用奇异值熵的大小作为评价指标，进行滚动轴承微弱故障的判断。
通过对VMD和SVE的应用，本方法能够有效提高滚动轴承的故障检测能力。其优点在于：不需要选择特征，不受信号幅值、频率等参数的限制，对于微弱故障的诊断具有出色的表现。
最后，本文将通过实验证明该方法的可行性和有效性。实验中，我们采用了标准的FD001数据集和自行采集的机组滚动轴承实验数据进行了验证。实验结果表明，该方法能够有效地区分正常和微弱故障的滚动轴承状态，进一步验证了本方法的有效性。
综上所述，本文介绍了一种基于VMD和SVE的滚动轴承微弱故障辨识方法。该方法具有不需要选择特征、对幅值、频率等参数不敏感、对微弱故障检测能力强等优点。未来的研究可以通过与其他方法的比较和实际应用的进一步探讨来验证本方法的稳定性和适用性。