基于LMD与奇异值差分谱的滚动轴承故障诊断方法.docx

基于LMD与奇异值差分谱的滚动轴承故障诊断方法
摘要
滚动轴承是重要的机械元件之一，其故障对机械设备的发展及稳定性产生了不可忽视的影响。为了有效地诊断滚动轴承故障，本文基于LMD与奇异值差分谱提出了一种新的滚动轴承故障诊断方法。通过对不同工况下滚动轴承振动信号的LMD分解，得到不同频率带的本征模态函数，使用奇异值差分谱对这些本征模态函数进行分析，最终得到与滚动轴承故障有关的频率特征，实现了对滚动轴承故障的准确诊断。
关键词：滚动轴承；LMD；奇异值差分谱；频率特征；故障诊断。
引言
随着机械制造技术的不断发展，滚动轴承逐渐成为机械设备中不可或缺的部件。然而，由于其长期运转、高速旋转、大负载等特性，滚动轴承容易出现各种故障，如磨损、裂纹、松动等。这些故障若得不到及时发现和处理，不仅会导致机械设备的运行不稳定，还会对操作人员和周围环境造成危害，因此，滚动轴承故障诊断显得至关重要。
传统的滚动轴承故障诊断方法主要基于频域分析和时域分析，如傅里叶变换、小波分析、时域平均等。然而，这些方法存在一些问题，比如频域分析对信号的稳定性要求较高、时域分析容易受到噪声的影响等。近年来，多种新的滚动轴承故障诊断方法被提出，如小波包分解、模态分解、时频分析等。
本文提出了一种新的滚动轴承故障诊断方法，即基于LMD与奇异值差分谱的方法。该方法将LMD分解与奇异值差分谱相结合，利用本征模态函数的频率特征对滚动轴承故障进行诊断。理论分析和实验结果均表明，该方法具有较高的准确性和可靠性。
方法
A.LMD分解
LMD（LocalMeanDecomposition）是一种用于非平稳信号分解的方法，它将信号分解成多个本征模态函数（IMFs），每个IMF都具有不同的频率和振幅，可以反映信号中的不同频率成分。LMD分解过程中的重要参数有迭代次数和参数γ，迭代次数越多，分解得到的IMFs越多，γ的大小影响LMD分解的精度，较小的γ可以更好地反映非线性特性，较大的γ可以更好地反映线性特性。
B.奇异值差分谱
奇异值分解（SVD）是一种用于矩阵分解的方法，可将原始矩阵分解成三个部分：左奇异向量、奇异值和右奇异向量。奇异值差分谱利用SVD的特性，对IMFs的奇异值进行差分计算，得到奇异值差分谱图，其中每个点反映了相应频率成分的能量大小。通过观察奇异值差分谱图的特征，可以发现与滚动轴承故障有关的频率成分。
C.滚动轴承故障诊断
通过将上述两个过程相结合，可得到以下滚动轴承故障诊断方法：
1.将滚动轴承振动信号进行LMD分解，得到不同频率带的IMFs；
2.对IMFs计算奇异值差分谱，得到奇异值差分谱图；
3.通过观察奇异值差分谱图的特征，确定与滚动轴承故障有关的频率成分；
4.对确定的频率成分进行分析，找到故障类型和位置。
实验结果
为验证本文提出的方法的有效性，本文利用真实的滚动轴承振动信号进行了实验。实验装置如图所示：
本文选择了不同工况下的振动信号进行实验，如图所示：
(a)0.007英寸径向游隙(b)0.014英寸径向游隙
图：不同工况下的振动信号
对上述两组信号进行LMD分解和奇异值差分谱计算，得到如下结果：
(a)0.007英寸径向游隙(b)0.014英寸径向游隙
图：不同工况下的振动信号的IMFs及奇异值差分谱图
通过观察奇异值差分谱图的特征，可以发现各自存在2.4kHz处的峰值。该频率成分是与滚动轴承故障有关的，且在两种工况下均明显存在。因此，结合实际情况，可以初步判断滚动轴承故障类型为球面滚子外圈磨损。
结论
本文提出了一种基于LMD与奇异值差分谱的滚动轴承故障诊断方法。该方法将LMD分解和奇异值差分谱相结合，利用本征模态函数的频率特征对故障进行诊断。通过实验验证，本文提出的方法具有较高的准确性和可靠性。在实际应用中，该方法可以作为一种有效的滚动轴承故障诊断手段。
参考文献
[1]丁凯,胡峰,冯青,等.基于自适应小波包分解的滚动轴承故障诊断方法[J].农业机械学报,2016,47(9):346-351+362.
[2]曹霖.基于模态分解的轴承故障诊断及应用[D].上海交通大学,2016.
[3]杨江平.基于小波能量与时频分布的滚动轴承故障特征提取[D].哈尔滨工业大学,2016.