基于噪声辅助多元经验模态分解和排列熵的滚动轴承早期故障状态检测方法

详细信息    查看官网全文

• 论文作者：武哲 ; 张建超 ; 任彬 ; 刘永强 ; 马增强
• 年：2016
• 作者机构：北京交通大学机械与电子控制工程学院;石家庄铁道大学交通环境与安全工程研究所;
• 论文关键词：NAMEMD ; 模态混叠 ; 排列熵 ; 滚动轴承 ; 早期故障诊断
• 会议召开时间：2016-05-06
• 会议录名称：第十届动力学与控制学术会议摘要集
• 语种：中文
• 分类号：TH133.33
• 学会代码：AGLU
• 会议名称：第十届动力学与控制学术会议
• 会议地点：中国四川成都
• 主办单位：中国力学学会动力学与控制专业委员会
• 学会名称：中国力学学会
• 页数：1
• 文件大小：739k
• 原文格式：D
• 会议级别：全国

摘要

为了从强噪背景中检测出滚动轴承的早期微弱故障,本文提出一种基于噪声辅助多元经验模态分解(Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和排列熵的滚动轴承早期故障状态检测方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。本文将NAMEMD与排列熵相结合应用于滚动轴承早期故障诊断。该方法利用NAMEMD对振动信号进行自适应分解,得到为一系列信噪比较高的IMF分量,利用对突变信号敏感的排列熵算法分别对各IMF进行排列熵分析,检测滚动轴承的运行状态,进行早期故障诊断。为了验证理论的正确性,进行了仿真试验和轴承全寿命试验,结果表明本文方法在进一步增强噪声鲁棒性的同时,可以准确的跟踪滚动轴承早期故障的演化过程,能够及时的检测出轴承的早期故障状态。

引文