基于改进形态分量分析的齿轮箱轴承多故障诊断研究

《基于改进形态分量分析的齿轮箱轴承多故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、振动与冲击第３１卷第１２期ＪＯＵＲＮＡＬＯＦＶＩＢＲＡＴＩＯＮＡＮＤＳＨＯＣＫＶｏｌ．３１Ｎｏ．１２２０１２基于改进形态分量分析的齿轮箱轴承多故障诊断研究１２２李辉，郑海起，唐力伟（１．石家庄铁路职业技术学院机电工程系，石家庄０５００４１；２．军械工程学院一系，石家庄０５０００３）摘要：形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号和图像处理方法，其主要目标是根据信号组成成分的形态差异性，选择合适的字典来分离信号。针对传统形态分量分析的字典选择和阈值选择的缺陷，提出了基于自适应字典选

2、择和ＴＨＭＯＭ（ＨａｒｄＴｈｒｅｓｈｏｌｄＭＯＭ）的阈值更新策略，通过仿真信号和齿轮箱轴承多故障振动实验信号的研究，结果表明：该方法不仅能将形态各异的多分量信号进行有效分离，提高了信噪比，而且提高了从强噪声环境中提取瞬态冲击特征的能力，能有效地识别轴承的故障类型和部位。关键词：形态分量分析；稀疏表示；故障诊断；轴承；独立分量分析；信号处理中图分类号：ＴＮ９１１．７２；ＴＨ１３３．３３文献标识码：ＡＢｅａｒｉｎｇｍｕｌｔｉｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｍｏｒｐｈｏｌｏｇｉｃａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ１２２ＬＩＨｕｉ，ＺＨＥＮＧＨａｉｑｉ，ＴＡＮＧ

3、Ｌｉｗｅｉ（１．ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈｉｊｉａｚｈｕａｎｇＩｎｓｔｉｔｕｔｅｏｆＲａｉｌｗａｙＴｅｃｈｎｏｌｏｇｙ，Ｓｈｉｊｉａｚｈｕａｎｇ０５００４１，Ｃｈｉｎａ；２．ＦｉｒｓｔＤｅｐａｒｔｍｅｎｔ，ＯｒｄｎａｎｃｅＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ，Ｓｈｉｊｉａｚｈｕａｎｇ０５０００３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｍｏｒｐｈｏｌｏｇｉｃａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＭＣＡ）ｉｓａｓｉｇｎａｌｏｒｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｓｉｇｎａｌｍｏｒｐｈｏｌｏｇｉｃａｌｄｉｖｅｒｓｉｔｙ

4、ａｎｄｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎ．ＭＣＡｔａｋｅｓａｄｖａｎｔａｇｅｏｆｔｈｅｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｏｆｔｈｅａｎａｌｙｚｅｄｄａｔａｉｎｏｖｅｒｃｏｍｐｌｅｔｅｄｉｃｔｉｏｎａｒｉｅｓｔｏｓｅｐａｒａｔｅｆｅａｔｕｒｅｓｏｆｔｈｅｄａｔａｂａｓｅｄｏｎｔｈｅｉｒｍｏｒｐｈｏｌｏｇｙ．Ａｉｍｉｎｇａｔｓｈｏｒｔｃｏｍｉｎｇｓｏｆｔｒａｄｉｔｉｏｎａｌｍｏｒｐｈｏｌｏｇｉｃａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｂｏｕｔｄｉｃｔｉｏｎａｒｙｓｅｌｅｃｔｉｏｎａｎｄｔｈｒｅｓｈｏｌｄｓｅｌｅｃｔｉｏｎ，ａｎｉｍｐｒｏｖｅｄａｐｐｒｏａｃｈｔｏＭＣＡｃｏｍｂｉｎｉ

5、ｎｇａｄａｐｔｉｖｅｄｉｃｔｉｏｎａｒｙｓｅｌｅｃｔｉｏｎａｎｄｈａｒｄｔｈｒｅｓｈｏｌｄＭＯＭｓｔｒａｔｅｇｙｗａｓｐｒｏｐｏｓｅｄ．Ｔｈｅｓｉｍｕｌａｔｉｏｎａｎｄｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｗｉｔｈｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ，ｎｏｔｏｎｌｙａｓｉｇｎａｌｗｉｔｈｍｏｒｐｈｏｌｏｇｉｃａｌｄｉｖｅｒｓｉｔｙｃａｎｂｅｓｅｐａｒａｔｅｄ，ｂｕｔａｌｓｏｔｈｅｓｉｇｎａｌｎｏｉｓｅｒａｔｉｏｏｆｔｈｅｓｅｐａｒａｔｅｄｓｉｇｎａｌｃａｎｂｅｉｍｐｒｏｖｅｄ，ｔｈｅｍｕｌｔｉｆａｕｌｔｏｆｔｈｅｂｅａｒｉｎｇｏｆａｇｅａｒｂｏｘｃａｎｂｅｅｆｆｅｃｔｉｖ

6、ｅｌｙｄｅｔｅｃｔｅｄ．Ｋｅｙｗｏｒｄｓ：ｍｏｒｐｈｏｌｏｇｉｃａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｂｅａｒｉｎｇ；ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ在信号处理领域，正交线性变换（如Ｆｏｕｒｉｅｒ变换ＭＯＦ）、最佳正交基方法（ＢｅｓｔＯｒｔｈｏｇｏｎａｌＢａｓｉｓ，ＢＯＢ）、［１－２］和小波变换等）得到了广泛应用，通过基函数展开匹配追踪方法（ＭａｔｃｈｉｎｇＰｕｒｓｕｉｔ，ＭＰ）和基追踪方法［３］将信号分解为一系列基函数线性加权和的形式，因此，（ＢａｓｉｓＰｕｒ

7、ｓｕｉｔ，ＢＰ）。相比于ＭＯＦ、ＢＯＢ和ＭＰ，ＢＰ具基函数的选择对信号分解的效果影响很大。而在齿轮有更高的分辨率和更好的稀疏表示，但与此同时计算箱故障诊断中，通过传感器采集得到的振动信号，往往也相对耗时。文献［８］通过设计的混合基函数库，利用是多种信号的混合体，因此，基于传统的基函数展开方稀疏信号分解对齿轮故障进行了诊断，证明了稀疏信法的信号分析，由于缺乏自适应性，难以取得较好的诊号分解优于传统的基于单一基函