滚动轴承退化指标选取方法研究

针对滚动轴承退化过程指标选取问题,提出了一种基于噪声辅助的多维EMD(Noise-Assisted Multivariate EMD)和主成分分析(PCA)相结合来提取退化指标的方法。该方法首先利用NA-MEMD对同源双通道信号和噪声辅助通道信号进行分解得到一系列多元IMF分量,然后采用相关系数准则选取敏感分量重构信号,其次计算出轴承退化过程中重构信号的退化指标序列,再根据序列的单调性和鲁棒性,选择优良指标进行PCA融合,最后把第一主成分作为反映滚动轴承退化过程的最终指标。对PRONOSITS平台提供的全寿命周期的数据进行分析,结果表明,在滚动轴承的退化过程中,较单一指标,基于NA-MEMD和PCA融合的指标能够比较完整的表征滚动轴承的退化过程。     

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

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。     

Hilbert-全矢谱及其在滚动轴承退化分析中的应用

旋转机械的振动信号频谱分析中,存在单源信号信息不完整、频率调制等问题,导致频谱不能全面、清晰地反映设备运行状态,增加误判风险。而全矢谱技术能充分融合双通道振动信息,Hilbert变换对时域信号包络解调效果良好,结合两者的优点形成Hilbert-全矢谱方法,并将其应用于滚动轴承退化过程分析中。实验表明,Hilbert-全矢谱能更加准确、全面地反映设备振动特性,从中提取的特征主振矢,既能够表征滚动轴承退化过程中的振动强度,又可以区分其故障类型。