基于自适应MCKD的滚动轴承故障特征提取
FAULT FEATURE EXTRACTION OF ROLLING ELEMENT BEARINGS BASED ON ADAPTIVE MCKD作者机构:西南交通大学牵引动力国家重点实验室成都610031
出 版 物:《机械强度》 (Journal of Mechanical Strength)
年 卷 期:2020年第42卷第6期
页 面:1293-1301页
学科分类:08[工学] 080203[工学-机械设计及理论] 0805[工学-材料科学与工程(可授工学、理学学位)] 0802[工学-机械工程] 0701[理学-数学] 0801[工学-力学(可授工学、理学学位)] 0812[工学-计算机科学与技术(可授工学、理学学位)] 080201[工学-机械制造及其自动化]
基 金:四川省重点研发项目(2019YFG0295) 西南交通大学牵引动力国家重点实验室自主课题(2018TPL-T01)资助
主 题:特征提取 早期故障 滚动轴承 自适应最大相关峭度解卷积 周期调制强度
摘 要:针对最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)方法无法自动识别轴承故障脉冲周期,需要对样本进行重采样以及输入参数过多的不足,提出一种自适应MCKD(Adaptive Maximum Correlated Kurtosis Deconvolution,AMCKD)方法。采用包络信号的周期调制强度(Periodic Modulation Intensity,PMI)自适应地确定轴承故障脉冲周期,在迭代求解最优解卷积滤波器的过程中不断更新,使之逐渐逼近真正的故障周期,以实现自适应提取周期性脉冲特征的目标;最后选择相关峭度最大的滤波信号作为最优解卷积信号。与MCKD方法相比,AMCKD方法能够适应性地识别故障脉冲周期,避免了对信号进行重采样,减少了算法的输入参数。仿真和实验结果验证了AMCKD方法在滚动轴承故障特征提取方面的有效性,且与Fast Kurtogram方法的对比结果显示了AMCKD方法在增强周期性脉冲特征方面的优越性。