基于Hilbert谱奇异值的滚动轴承故障诊断.docx

基于Hilbert谱奇异值的滚动轴承故障诊断
摘要
随着工业化的发展，滚动轴承在机械设备中的应用越来越广泛。然而，滚动轴承故障的出现会导致设备性能下降，影响生产和维护。因此，滚动轴承故障诊断成为一项重要的研究课题。本文基于Hilbert谱奇异值的方法进行滚动轴承故障诊断，通过分析Hilbert谱奇异值的变化来诊断轴承的状态，为现场维护提供有力的支持。
关键词：滚动轴承，故障诊断，Hilbert谱奇异值
引言
滚动轴承是机械设备中的重要零件，其主要用于减少摩擦和支撑旋转。然而，在长时间运行过程中，滚动轴承会因疲劳、磨损、裂纹等原因而出现故障，这不仅会导致设备性能下降，而且会影响设备的寿命，加大维护成本。因此，滚动轴承故障诊断成为一项重要的研究课题。
滚动轴承故障诊断有很多方法，其中振动信号分析是最常用的一种方法。振动信号可以反映出滚动轴承的状态，例如自振频率、阻尼比、幅值和相位等信息。其中，主要的振动信号分析方法包括自相关函数、功率谱密度、小波变换、时频分析和轴向压力波形等。然而，这些方法存在着一些局限性，例如提取特征时存在复杂性、诊断结果不稳定等问题。因此，需要采用新的方法来进行滚动轴承故障诊断。
Hilbert谱奇异值方法
Hilbert谱奇异值方法是一种新的振动信号分析方法，其基本思想是将信号分解为不同频率分量，然后对不同频率分量的Hilbert变换构造出Hilbert谱，通过分析Hilbert谱的奇异值来提取特征信息。Hilbert谱奇异值方法具有以下优点：
1.可以对非平稳信号进行特征提取：该方法可以将信号分解为不同频率的分量，从而可以对非平稳信号进行特征提取；
2.特征提取效果好：该方法可以有效地提取信号的特征信息，可以诊断出很小的轴承故障；
3.计算简单：该方法的计算复杂度较低，可以在实时监测中使用。
滚动轴承故障诊断方法
滚动轴承的振动信号可以分为径向振动和轴向振动两种类型。本文以轴向振动信号为例进行分析，提出了一种基于Hilbert谱奇异值的滚动轴承故障诊断方法。
该方法主要分为以下几个步骤：
1.收集轴向振动信号：用传感器收集轴向振动信号，并进行采样和滤波等预处理；
2.运用Hilbert变换分解信号：将收集到的信号通过Hilbert变换分解为不同频率分量；
3.构造Hilbert谱：将不同频率分量的幅值平方相加，得到Hilbert谱；
4.计算奇异值：通过奇异值分解方法计算Hilbert谱的奇异值，得到特征信息；
5.判断轴承状态：根据奇异值和阈值的比较结果，判断轴承是否出现故障。
实验结果分析
为了验证该方法的有效性，本文进行了一系列实验，采集了不同工况下的轴承信号，并进行了分析和比较。实验结果表明，本文提出的基于Hilbert谱奇异值的滚动轴承故障诊断方法可以判断出轴承不同的状态，包括正常、内圈故障和外圈故障等。与传统的方法相比，该方法具有更好的特征提取效果和更稳定的诊断结果。
结论
本文提出了一种基于Hilbert谱奇异值的滚动轴承故障诊断方法，该方法通过分析Hilbert谱奇异值的变化来诊断轴承的状态。实验结果表明，该方法具有良好的特征提取效果和稳定的诊断结果，可以为轴承故障的现场维护提供有力的支持。
参考文献
[1]WangX,LvW,SongJ,etal.FaultdiagnosisofrollingbearingbasedonHilbertspectrumsingularvaluedecomposition[J].Measurement,2021,169:108287.
[2]ChenC,LiY,JiangW,etal.RollingbearingfaultdiagnosisbasedontheimprovedHilbertspectrumsingularvaluedecompositionmethod[J].ChineseJournalofMechanicalEngineering,2021,34(1):1-14.
[3]LiuL,WangX,MaJ,etal.RollingbearingfaultdiagnosisbasedonHilbertspectrumsingularvaluedecompositionandK-nearestneighboralgorithm[J].JournalofVibrationandShock,2021,40(15):35-44.