基于信息融合與VPMCD的滾動軸承智能診斷研究.pdf

1、滾動軸承作為機械系統(tǒng)中關鍵的支撐部件，其運行狀態(tài)的好壞直接影響到整臺設備的安全運行。因此，開展對滾動軸承的故障診斷很具現實意義。在滾動軸承運行狀態(tài)監(jiān)測中，為了確保狀態(tài)信息采集的完備性、可靠性，通常在測點上布置多個傳感器。采集到的多通道信號大多數呈現出非線性、非平穩(wěn)特性。但是傳統(tǒng)的時頻方法很難實現多通道信號的同步聯(lián)合分析，而多維經驗模態(tài)分解可以有效解決這個問題，同時能夠保證所分解的多通道信號的IMF分量按照頻率尺度對齊，這就為多通道信息融

2、合提供有利條件。本文將其分別和多元多尺度熵及全矢譜技術相結合應用到滾動軸承故障特征提取中，并將基于信息融合技術提取的特征利用基于變量預測模型識別方法（VPMCD）進行識別。本文的主要研究工作如下：
　　1、提出了基于多維經驗模態(tài)分解(MEMD)與多元多尺度熵（MMSE）的退化特征提取方法。首先，利用MEMD算法對滾動軸承不同退化狀態(tài)的多通道信號進行同步自適應分解；然后，對多尺度IMF分量重構的信號進行多元多尺度熵分析。最后通過實例

3、分析，驗證了該方法能有效反映滾動軸承退化趨勢。
　　2、提出了一種基于噪聲輔助多維經驗模式分解（NA-MEMD）與全矢譜結合的滾動軸承故障診斷方法——全矢NA-MEMD。首先，利用NA-MEMD對同源雙通道信號和噪聲輔助信號構成的多通道信息自適應分解成一系列IMF分量；然后，根據相關系數從同源雙通道中選取包含故障主要信息的IMF分量進行重構；最后，將重構信號進行全矢信息融合來提取故障特征。通過仿真信號和實驗信號驗證該方法的有效性。