基于改进的K-SVD和VMD的轴承故障特征提取方法

• 作者: 张嘉玲 武吉梅 胡兵兵
• 来源期刊: 西安理工大学学报
• 学科: 工学
• 关键词: 稀疏表示 K-奇异值分解 变分模态分解 故障诊断
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 机械与精密仪器工程
• 页码范围: 551-556
• 页数: 6页
• 分类号: TH17
• 语种: 中文
• DOI: 10.19322/j.cnki.issn.1006-4710.2020.04.016

摘要

轴承作为旋转机械的核心零部件,在工作过程中易受其他部件影响,造成多部件耦合振动,产生的故障信号呈现非线性、非平稳特征,使得与故障信息相关的周期性冲击成分混入大量的背景噪声.传统K-奇异值分解(K-SVD)在字典学习过程中易受噪声干扰,难以确定初始化字典和迭代次数,导致稀疏表示效果较差,无法有效地提取故障特征.针对以上问题,提出了基于改进的K-SVD和变分模态分解(VMD)的轴承故障特征提取方法.通过VMD对隐藏的故障特征进行提取,根据原始数据构造与故障冲击成分高度匹配的初始化字典,选用包络谱峭度作为K-SVD中迭代次数的判断准则,通过包络分析诊断故障类型.该方法成功应用于两个案例中,与传统K-SVD相比,在稀疏表示效果、故障提取能力和运行时间上均有优势.