积分商城

最新搜索： PL2303 altium Designer 20 电路设计与仿真从入门到精通 auto cad 常用LOGO标识 microBUCK TMC5160
您现在的位置是：首页 > 技术资料 > 基于EMD的改进马田系统的滚动轴承故障诊断
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于EMD的改进马田系统的滚动轴承故障诊断

更新时间：2019-12-25 17:49:46 大小：1M 上传用户：zhiyao6查看TA发布的资源 标签：EMD滚动轴承故障诊断 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

为了提高滚动轴承的可靠性、及时发现其潜在的故障,提出了一种基于改进马田系统(MMTS)的滚动轴承故障诊断方法。首先利用经验模态分解(EMD)方法对原振动信号进行分解,得到了多个本征模态分量(IMF)并计算基本模式分量的统计特征集。然后,在此基础上构建基准空间(马氏空间),针对马田系统在筛选特征变量时效果不佳、基准空间数据的差异性问题,引入粗糙集(RS)筛选有效特征变量改进马田系统,大幅降低特征向量的维数。最后,计算待诊断信号到基准空间的马氏距离,从而完成滚动轴承的故障诊断。利用滚动轴承振动数据对该模型进行了测试,结果表明,该模型与实际相符,可以准确、有效地识别滚动轴承的故障类型。


部分文件列表

文件名 大小
基于EMD的改进马田系统的滚动轴承故障诊断.pdf 1M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
振
动
与
冲
击
36  
5
期
JOURNAL OF VIBRATION AND SHOCK  
Vol． 36 No． 5 2017  
第
卷第  
  
EMD  
基于  
的改进马田系统的滚动轴承故障诊断  
1
1
2
2
， ， ，  
陈俊洵 程龙生 胡绍林 余 慧  
( 1．  
，
南京理工大学 经济管理学院 南京  
210094; 2．  
，
西安卫星测控中心 西安  
710043)  
:
、 ，  
为了提高滚动轴承的可靠性 及时发现其潜在的故障 提出了一种基于改进马田系统  
( MMTS)  
摘
要
的滚动轴  
。
承故障诊断方法 首先利用经验模态分解  
( EMD)  
，
方法对原振动信号进行分解 得到了多个本征模态分量  
( IMF)  
并计算  
。 ， ( ) ， 、  
基本模式分量的统计特征集 然后 在此基础上构建基准空间 马氏空间 针对马田系统在筛选特征变量时效果不佳  
，
基准空间数据的差异性问题 引入粗糙集  
( RS)  
， 。 ，  
筛选有效特征变量改进马田系统 大幅降低特征向量的维数 最后 计算  
， 。 ，  
待诊断信号到基准空间的马氏距离 从而完成滚动轴承的故障诊断 利用滚动轴承振动数据对该模型进行了测试 结果  
， ， 、  
表明 该模型与实际相符 可以准确 有效地识别滚动轴承的故障类型  
。
: ; ; ; ;  
关键词 滚动轴承 经验模态分解 改进马田系统 故障诊断 粗糙集  
: TP181 : A DOI: 10． 13465 /j． cnki． jvs． 2017． 05． 024  
文献标志码  
中图分类号  
Fault diagnosis of rolling bearings using modified Mahalanobis-Taguchi system based on EMD  
1
1
2
2
CHEN Junxun ，CHENG Longsheng ，HU Shaolin ，YU Hui  
( 1． School of Economics and Management，Nanjing University of Science and Technology，Nanjing 210094，China;  
2． Xi’an Satellite Control Center，Xi’an 710043，China)  
Abstract: In order to improve reliability of rolling bearings and find their potential faults，a method of rolling  
bearings fault diagnosis based on Modified Mahalanobis-Taguchi System was proposed． Firstly，the original vibration signal  
was decomposed into several intrinsic mode functions by means of the empirical model decomposition ( EMD) and the  
statistical characteristics of the basic mode components were calculated． Then effective feature variables were screened  
with rough set aiming at shortages of Mahalanobis-Taguchi system in screening feature variables and the problem of  
difference in the reference space ( Mahalanobis space) data． Mahalanobis-Taguchi System was improved and the number  
of dimension of the feature vector was obviously reduced． Finally，Mahalanobis distance from a signal to be diagnosed to  
the reference space was calculated and the fault diagnosis of a rolling bearing was completed． This model was verified  
using vibration data of rolling bearings． The results showed that this model agees well with actuality and can identify fault  
types correctly and effectively．  
Key words: rolling bearings; empirical model decomposition; modified Mahalanobis-Taguchi System; fault  
diagnosis; rough set  
( Intrinsic Mode Function，IMF)  
的能量分布与轴承状  
滚动轴承是各种旋转机械应用中最广泛的一种通  
数
［1］  
，40%  
。
，
态之间的对应关系 从而实现轴承的状态识别  
。WU  
用机械部件  
的机械故障是由轴承故障引起的  
［4］  
、 、  
如何获得关于运行状态 故障诊断 维修决策等方面的  
( Hidden Markov Model，HMM)  
等
采用了  
和支持向量  
［5］  
，
是研究工作的关键 因此对滚动轴承的状态监测和故  
。SHEN  
机的诊断方法  
结合起来进行故障诊断  
和支持向量机的故障诊断方法  
等
将小波变换和支持向量机  
［6］  
。
障诊断具有重要的现实意义  
。AO  
等
提出了一种能量熵  
［2］  
ALI  
( Empirical Model Decom-  
把经验模态分解  
等
［7］  
。LIU  
等
提出了一种  
position，EMD)  
和神经网络结合起来对振动信号进行故  
。
粒子群优化的小波支持向量机故障诊断方法 以上文  
［3］  
。
障诊断 王录雁等 结合灰色关联模型建立本征模函  
、
献大多将神经网络 支持向量机等模式识别算法对滚  
，
动轴承进行故障诊断 该方法依赖于知识库中的现有  
:
基金项目 国家自然科学基金  
( 71271114; 61473222)  
， ，  
知识 当一种新的异常征兆出现时 很可能无法找到最  
:
2016 － 03 － 25  
: 2016 － 08 － 01  
收稿日期  
修改稿收到日期  
，1989 ，  
月
，
4
第一作者 陈俊洵 男 博士生  
年
。 ，  
佳匹配而不能诊断或者诊断错误 因此 如何寻找一  
， ，  
通信作者 程龙生 男 教授 博士生导师  
，1964  
11  
年 月  
。
种新兴的模式识别方法是滚动轴承的重要方向  
152  
2016  
36  
年第 卷  
振 动 与 冲 击  
m
( Mahalanobis Taguchi System，MTS)  
马田系统  
是由  
m
如果经过 次分解之后  
，x( t) －  
c ( t)  
i
，
单调 那么  
∑
20  
90  
年代首次提出的一种新兴  
田口玄一博士于  
世纪  
i = 1  
EMD  
， ，  
分解结束 剩下的称之为余项 记为  
r ( t) ( Resi-  
m
， ，  
的模式识别方法 是质量工程学的最新进展之一 主要  
due，RES) 。  
综合上面的分解过程 滚动轴承的振动信号  
IMF  
、 。 ，  
有诊断 评价和预测等三大功能 近年来 马田系统作  
，
x( t)  
，
为多元系统一种潜在的模式信息技术 已在学术界和  
［8-9］  
m
。
和一个残余分量之和  
被分解为  
个
，
实际应用中得到广泛认可  
也有学者将马田系统运  
m
［10］  
。SOYLEMEZOGLU  
用到故障诊断领域  
等
用实验来  
x( t) =  
c ( t) + r ( t)  
i m  
( 1)  
∑
i = 1  
、 、 ，  
证明马田系统在故障诊断 分离 预测中 具有良好的  
N
因信号的高频部分集中在前 个主要  
IMF  
分量  
［11］  
。SHAKYA  
、
在提取振动信号的时域 频域等  
效果  
等
， ，  
中 能够反映信号的关键信息 故将其留下进行后续特  
，
特征的基础上 采用施密特马田系统对滚动轴承做故  
，
征提取 而对于最后的几个  
IMF  
，
残余分量则需要去除  
［12］  
。HU  
障诊断研究  
等
从机械信号中提取出多重分形  
MTS  
。
是因为残余分量以低频噪声干扰为主  
，
。
特征 并在此基础上用  
机械系统进行故障诊断  
SVD—EMD  
的马田系统的滚动轴  
［13］  
2
WANG  
改进的马田系统方法  
等
提出了  
。 ，  
承故障诊断方法 然而 上述文章均没有考虑到正常  
，
对于轴承故障诊断中获取的多维特征变量 需有  
，
样品的振动信号包含各种载荷的数据 该数据存在着  
。 ，  
效地简化从而提高其计算效率 因此 本文利用改进  
。
差异性  
，
的粗糙集方法来优化和筛选特征变量 在此基础上用  
，
综上所述 虽然马田系统在故障诊断方面中已经  
。
马氏距离对滚动轴承进行故障诊断  
， 、  
有了研究 但是总体研究的数量非常少 马田系统的理  
( Modified Mahal-  
本文提出的改进马田系统方法  
，
论体系还不够完善 传统的马田系统在筛选信噪比较  
anobis Taguchi System，MMTS)  
4 ，  
方法主要有 个步骤 具  
［14］  
。
，
因此 本文提  
大的变量组合其分类效果未必良好  
:
体步骤如下  
EMD  
。
，
出了一种基于  
EMD  
的改进马田系统的方法 首先 通  
IMF ，  
函数并由此计算出特征向量 从  
1
步骤  
基准空间的构造  
过
分解得到  
， 。  
该阶段用于确定特征变量 构建基准空间 滚动  
。
而构造马田系统的基准空间并确定该空间的有效性  
，
轴承的运行往往是一个复杂的随机过程 难以用确定  
，
同时为了解决特征向量的高维性和复杂性 引入了粗  
，
的时间函数来描述 须通过将采集的原始信号变换成  
。 ，  
糙集筛选有效特征变量从而改进马田系统 最后 根  
，
。
特征向量 进而找到其与设备状态之间的关系 本文  
EMD IMF ， m ，  
结果 提取 个特征向量 采  
。
据马氏距离来确定滚动轴承的故障类型  
根据  
分解后的  
t ， 。  
集前 个正常类的数据 构造样本空间 其中  
，T ( i)  
为
j
1
EMD  
方法  
j i  
第 个特征分量在第 个样品的数值  
。
，
在构建马田系统时 需要对特征量的选择  
。EMD  
( )  
1
( )  
1
( )  
1
( )  
T
T
…
…
T
…
…
T
1
m
1
1
2
2
j
j
IMF  
方法从原始信号中提取出若干个  
。IMF  
分量和一个残余  
( )  
2
( )  
2
( )  
2
( )  
T
T
T
T
2
m
， ，  
分量突出了数据的局部特征 对其进行分析  
量
［15］  
A =  
。
可以准确有效地把握原信号的特征信息  
T ( i) T ( i)  
1 2  
…
T ( i)  
j
…
T ( i)  
m
EMD  
:
的具体分解过程是  
( 1)  
x( t) ， x  
找出原信号 所有的  
假设初始信号为  
T ( t) T ( t)  
1 2  
…
T ( t)  
j
…
T ( t)  
m
，
极大值点和极小值点 并且拟合出所有的极大值点和  
( 1)  
A IMF  
计算正常样本数据矩阵 中各 分量的均  
。
极小值点形成的原数据的上下包络线  
，
值和标准差  
( 2)  
x，  
上包络线和下包络线的均值记作 将原数据  
t
1
( 1 )  
=
T ( i) ，  
j
μ
j
∑
x x，  
序列 减去该平均包络 得到一个新的数据序列  
x
t
i = 1  
( )  
x
是否是本征模函数  
1
。
并且判定  
( 3)  
t
1
2
(
1
)
s =  
j
［T ( i) － ］，j = 1，2，…，m ( 2)  
μ
j
∑
j
x
IMF，  
不是 那么需要重新  
如果得到的函数  
t － 1  
i = 1  
槡
。
对信号进行分解  
( 4)  
( 2)  
s A  
利用 μ 和 对样本数据矩阵 进行标准化  
j
，
j
(
1
)
是
x
IMF，  
则记该信号为  
如果得到的函数  
T ( i) －  
j
μ
j
z
=
，i = 1，2，…，t，j = 1，2，…，m ( 3)  
( )  
x
相减 得到一个新的信  
1
ij  
c ( t) ，  
再将原始信号  
1
x
，
与
s
j
，
号 然后对此新信号按照前面三个步骤继续往下分解  
。
从而得到标准化矩阵  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号