文献类型：期刊文章

作　　者：昝涛[1] 庞兆亮[1] 王民[1,2] 高相胜[1]

ZAN Tao;PANG Zhaoliang;WANG Min;GAO Xiangsheng(Beijing Key Laboratory of Advanced Manufacturing Technology,College of Mechanical Engineering and Applied Electronics Technology,Beijing University of Technology,Beijing 100124,China;Beijing Key Laboratory of Electrical Discharge Machining Technology,Beijing 100124,China)

机构地区：[1]北京工业大学机械工程与应用电子技术学院先进制造技术北京市重点实验室,北京100124 [2]电火花加工技术北京市重点实验室,北京100191

出　　处：《北京工业大学学报》

基　　金：国家自然科学基金资助项目(51575014);北京市教委科技计划项目(KM201410005026)

年　　份：2019

卷　　号：45

期　　号：2

起止页码：103-110

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：滚动轴承是旋转机械的重要零部件,当发生早期故障时,难以有效地提取其微弱的故障特征.针对这一问题,提出了优化参数K取值的变分模态分解(variational mode decomposition,VMD)早期故障诊断方法.首先,通过瞬时频率均值判断法确定模态数K的取值,然后用VMD方法对采集的轴承故障信号进行处理.通过筛选轴承故障信号分解得到本征模态函数分量,对其中的敏感分量进行包络谱分析,从而判断轴承的故障类型与严重程度.最后,分别比较EMD和原VMD算法得到的结果.结果表明:优化后的VMD算法能成功地提取滚动轴承早期故障特征,实现轴承早期故障诊断.

关 键 词：滚动轴承 早期故障诊断  特征提取 变分模态分解  经验模态分解

分 类 号：TH133.3]