最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断

针对强背景噪声环境下滚动轴承故障特征难以提取的问题,提出一种基于最大相关峭度反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。     

改进的傅里叶分解方法及其在滚动轴承故障诊断中的应用

为了克服傅里叶分解方法在频谱扫描过程中容易获得较多相近边界，导致无效分量过多的问题，提出了一种改进的傅里叶分解方法(improved Fourier decomposition method, IFDM),并将其应用到轴承故障诊断中。首先，IFDM以傅里叶变换为基础，通过建立邻域叠加准则，将同大于或同小于特征平均值的若干相邻原始分量进行合并，得到一组傅里叶固有模态函数(Fourier intrinsic mode functions, FIMF),从而减少无效分量。其次，重构峭度值大于均值的若干FIMF分量，提取敏感故障特征信息。然后，采用自适应多尺度加权形态学滤波(adaptive multi-scale weighted morphological filtering, AMWMF)去除重构分量中的无关分量及背景噪声。最后，对滤波信号进行频谱分析。仿真和实测信号的分析结果验证了所提方法在轴承故障诊断中的有效性，同时，与现有方法的对比结果表明了所提方法的优越性。