基于全矢融合与多维经验模态分解的滚动轴承退化过程频谱结构研究

摘要/Abstract

摘要： 为了识别滚动轴承退化过程，提出一种多维经验模态分解和全矢融合相结合的方法。首先对不同状态的多通道信号同时进行多维经验模态分解，得到一系列多元固有模态函数分量，然后利用互相关系数准则选取最敏感的一阶固有模态函数分量进行全矢包络分析来提取信号的特征。为了验证该方法的有效性，分别对模拟信号和实际信号进行了分析。结果表明此方法在出现故障时，能够很好地表征频谱结构的变化；随着故障严重程度的增加，频谱结构变得复杂，且呈现出了规律性。

关键词: 多维经验模态分解, 全矢融合, 频谱结构, 轴承退化

Abstract: In order to recognize degradation processes of rolling bearings, a method combined MEMD with full vector fusion was proposed. Firstly, multi-channel synchronous analyses of vibration signals in different conditions were dealt with MEMD to obtain a series of multivariate intrinsic mode function(IMF) component. Then the most sensitive IMF component was selected by cross-correlation coefficient criterion to do full vector envelope analysis for extracting signal features. Analysis with simulated signal and actual signal was done to test effectiveness of the method respectively. It indicates that the method may reveal changes of frequency structure when faults appear, and shows the regularity that the more serious of the fault conditions is, the more complex of frequency spectrum structure becomes.

Key words: multivariate empirical mode decomposition(MEMD), full vector fusion, frequency spectrum structure, bearing degradation

中图分类号:

TH133.3

马艳丽;金兵;张学欣;韩捷. 基于全矢融合与多维经验模态分解的滚动轴承退化过程频谱结构研究[J]. 中国机械工程.

MA Yanli;JIN Bing;ZHANG Xuexin;HAN Jie. Study on Frequency Spectrum Structure for Rolling Bearing Degradation Based on Full Vector Fusion and MEMD[J]. China Mechanical Engineering.

参考文献

[1]杨晓蔚，周宇. 滚动轴承重要性与技术含量纵论[J]. 轴承，2003(1)：35-38.
YANG Xiaowei, ZHOU Yu. Importance of Rolling Bearing and Review of Technical Content[J]. Bearing, 2003(1)：35-38.
[2]ZHAO Xiaomin, PATEL T H, ZUO Ming J. Multivariate EMD and Full Spectrum Based Condition Monitoring for Rotating Machinery[J]. Mechanical Systems and Signal Processing, 2012，27(1):712-728.
[3]REHMAN N, MANDIC D P. Multivariate Empirical Mode Decomposition [J]. Proceeding of Royal Society A，2010，466:1291-1302.
[4]颜云华，吴志丹. 基于MEMD的高速列车转向架故障的排列熵特征分析[J].电子技术应用，2016，42(5)：124-127.
YAN Yunhua, WU Zhidan. Feature Analysis of High-speed Train Bogie Based on MEMD and Permutation Entropy[J]. Application of Electronic Technique, 2016, 42(5):124-127.
[5]张兵，于淑静，董绍江. 基于谱峭度和多元经验模式分解的机械故障诊断[J]. 制造技术与机床，2015(6)：97-101.
ZHANG Bing, YU Shujing, DONG Shaojiang. Mechanical Fault Diagnosis Using a Hybrid Spectral Kurtosis and Multivariate Empirical Method Based on Mode Decomposition[J]. Manufacturing Technology & Machine Tool, 2015(6):97-101.
[6]武哲，杨绍普，任彬，等. 基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法[J]. 振动与冲击，2016，35(4)：127-133.
WU Zhe, YANG Shaopu, REN Bin, et al. Rolling Element Bearing Fault Diagnosis Method Based on NAMEMD and Multi-scale Morphology[J]. Journal of Vibration and Shock, 2016, 35(4):127-133.
[7]韩捷，关慧玲，梁川，等. 矢谱：一种实用的旋转机械故障诊断分析方法[J].机械强度，1998，20(3)：212-215.
HAN Jie, GUAN Huiling, LIANG Chuan, et al. Vector Spectrum:a Practical Analysis Method of the Rotary Machine Fault Diagnosis[J]. Journal of Mechanical Strength，1998，20(3)：212-215.
[8]韩捷，张钱龙. 全矢谱技术在WTDS实验台故障诊断中的应用[J].郑州大学学报(工学版)，2017，38(1)：74-77.
HAN Jie, ZHANG Qianlong. The Application of Full Vector Spectrum Technology in Fault Diagnosis of WTDS Experimental Platform[J]. Journal of Zhengzhou University (Engineering Science), 2017, 38(1):74-77.
[9]李凌均，陈超，韩捷，等. 全矢支持向量回归频谱预测方法[J]. 郑州大学学报(工学版),2016,37(3):78-82.
LI Lingjun, CHEN Chao, HAN Jie, et al. The Prediction Method of Frequency Spectrum Based on Full Vector Support Vector Regression[J]. Journal of Zhengzhou University (Engineering Science), 2016, 37(3):78-82.
[10]韩捷，石来德. 全矢谱技术及其工程应用[M]. 北京：机械工业出版社，2008.
HAN Jie, SHI Laide. Full Vector Spectrum Technique and Its Application in Engineering[M]. Beijing:China Machine Press, 2008.
[11]吴斌，王敏杰，康晶，等. 滚动轴承故障振动信号特征与诊断方法[J].大连理工大学学报，2013，53(1)：76-81.
WU Bin, WANG Minjie, KANG Jing, et al. Fault Vibration Signal Feature of Rolling Bearing and Its Diagnosis Method[J]. Journal of Dalian University of Technology, 2013, 53(1):76-81.

[1]	王瑞1；贾谦1,2；袁小阳1. 石墨水润滑动压推力轴承的起飞转速及磨损的量化研究[J]. 中国机械工程, 2021, 32(03): 269-274.
[2]	闫岗1;袁小阳1;陈润霖2;贾谦1;金英泽1. 超导磁液推力轴承的结构设计及性能分析[J]. 中国机械工程, 2021, 32(01): 32-39.
[3]	唐贵基;李楠楠;王晓龙. 综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法[J]. 中国机械工程, 2020, 31(24): 2988-2996.
[4]	刘晏宇;喻凡;宋娟娟;庞纪苏;KAKU Chuyo. 采用神经网络与模糊控制的制动需求识别[J]. 中国机械工程, 2020, 31(23): 2847-2855.
[5]	沈小燕;丁佳为;禹静;李东升. 超精密气体静压系统节流器法向随机微振动研究[J]. 中国机械工程, 2020, 31(20): 2429-2436.
[6]	吴超1;尹雪梅2;李蒙蒙1;李奕君1;王文3. 一种滑动轴承油膜性能计算的动网格方法[J]. 中国机械工程, 2019, 30(24): 2961-2967.
[7]	夏新涛1,2;陈向峰1;叶亮3. 卫星动量轮轴承摩擦力矩性能可靠性动态预测[J]. 中国机械工程, 2019, 30(11): 1268-1275.
[8]	王珂1，2;吕勇1，2;易灿灿1，2. 压缩感知框架下的共振解调故障诊断方法[J]. 中国机械工程, 2018, 29(16): 1907-1911.
[9]	李继猛1;李铭1;王慧1;张金凤2;张云刚1. 基于相关正交匹配追踪算法的风电机组滚动轴承稀疏故障诊断方法[J]. 中国机械工程, 2018, 29(12): 1428-1433.
[10]	刘嘉辉;董辛旻;李剑飞. 基于全矢谱时间固有尺度分解和独立分量分析盲源分离降噪的滚动轴承故障特征提取[J]. 中国机械工程, 2018, 29(08): 943-948.
[11]	姚成玉1;来博文1;陈东宁2，3;孙飞2,3;吕世君2,3. 基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法[J]. 中国机械工程, 2017, 28(24): 3001-3012.
[12]	顾兴龙;王凯;李露露;赵宏伟;解瑞东. 广义形态学闭开差值运算在滚动轴承弱故障诊断中的应用[J]. 中国机械工程, 2017, 28(21): 2595-2600.
[13]	徐兰英1;伍强2;覃孟扬1;汤勇3. 轴承圈加热切削加工表面质量研究[J]. 中国机械工程, 2017, 28(19): 2325-2331.
[14]	冯凯;胡小强;赵雪源;李文俊. 三瓣式气体箔片径向轴承的静动态特性[J]. 中国机械工程, 2017, 28(15): 1826-1835.
[15]	陈换过, 易永余, 陈文华, 陈培, 沈建洋. 基于广义S变换的齿轮箱轴承故障诊断方法[J]. 中国机械工程, 2017, 28(01): 51-56.