文献类型：期刊文章

作　　者：张俊[1] 张建群[1] 钟敏[1] 郑近德[2] 李习科[1]

ZHANG Jun;ZHANG Jianqun;ZHONG Min;ZHENG Jinde;LI Xike(School of Mechanical Engineering and Automation,Fuzhou University Fuzhou,350116,China;School of Mechanical Engineering,Anhui University of Technology Maanshan,243032,China)

机构地区：[1]福州大学机械工程及自动化学院,福州350116 [2]安徽工业大学机械工程学院,马鞍山243032

出　　处：《振动．测试与诊断》

基　　金：国家自然科学基金资助项目(51375013)。

年　　份：2020

卷　　号：40

期　　号：2

起止页码：287-296

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。

关 键 词：故障诊断 滚动轴承  变分模态分解  最大相关峭度解卷积  粒子群优化

分 类 号：TH133.3]