机组收割机滚动轴承的故障诊断基于复合规模可变分散和自我优化变化模式分解算法
Wei Jiang1, Yahui Shan2, Xiaoming Xue1
1Jiangsu Key Laboratory of Advanced Manufacturing Technology, Huaiyin Institute of Technology, Huai'an 223003, China.
这项研究引入了一种新方法,用于诊断机床上的滚动轴承故障. 该技术使用复合尺度可变分散 (CSvDE) 和自优化变化模式分解 (SoVMD) 进行准确的故障识别.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 机床中的滚动轴承面临恶劣的环境,导致非静止和非线性振动信号.
- 由于信号的复杂性,对这些轴承的准确故障诊断具有挑战性.
研究的目的:
- 为组装收割机滚动轴承提出一种新的故障诊断方法.
- 为了提高复杂的振动信号中故障识别的准确性和稳定性.
主要方法:
- 开发了一种自优化变化模式分解 (SoVMD) 用于适应性参数优化和多尺度频率组件提取.
- 建立了一个基于复合尺度可变分散 (CSvDE) 的特征学习模型,以创建一个多尺度故障特征空间 (MsFFS).
- 使用Softmax分类器来识别故障类别,使用生成的MsFFS.
主要成果:
- 拟议的SoVMD方法有效地从非静止信号中提取多尺度频率组件.
- 基于CSvDE的特征学习显著改善了故障特征表示.
- 实验结果显示,与现有方法相比,故障诊断性能优越且强大.
结论:
- 结合的SoVMD和CSvDE方法为要求高的工业应用中滚动轴承故障诊断提供了强大的工具.
- 这种方法有效地解决了非静止和非线性振动信号所带来的挑战.
- 该研究表明,对机械收割机组件的诊断准确性和可靠性有了显著的改进.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
09:04A Modeling and Simulation Method for Preliminary Design of an Electro-Variable Displacement Pump
Published on: June 1, 2022
相关概念视频
Bearings: Problem Solving
Mechanical Efficiency of Real Machines
However, in reality, no machine can be truly ideal, and all of them experience some...
Design of Transmission Shafts - Stress Analysis
Distributed Loads: Problem Solving
Rolling Resistance: Problem Solving
Residual Stresses in Circular Shafts
