Page 79 - 无损检测2022年第十二期

杨 磊, 等:

基于改进 VMD 算法的电机轴承异音识别与定位

图 2 正常电机声音信号 图 3 异常电机声音信号
采用改进 VMD 算法对异常电机声音信号进行 表 1 异常电机各模式分量的峭度指标
分解, 各模式分量的时域波形( 上图) 和频谱( 下图) 模式分量( IMF )
项目
如图 4 所示。 1 2 3 4 5 6
由改进 VMD 信号分解结果可知, 异常电机声 峭度指标 2.87 3.14 3.16 3.34 3.21 4.49
音信号被分解为 6 个模式分量。计算各模式分量对
由 图 5 可 知, 异 常 电 机 声 音 信 号 经 过 改 进
应的峭度指标, 其结果如表 1 所示。
VMD 分解后, 最佳模式分量IMF6 的时域波形中存
由表 1 可以看出, 模式分量 IMF6 对应的时域
在较为明显的周期性冲击, 包络谱中主要频率为轴
峭度指标最大, 为 4.49 , 因此将 IMF6 作为 最佳模
承内圈故障特征频率( 79 Hz ) 及其倍频成分, 故障
式 分量, 绘制的最佳模式分量时域波形和包络谱如 特征突出。由最佳模式分量频谱可知, 异常电机故
图 5 所示。
障特征主要集中在 5500~9500 Hz频段范围内,

图 4 改进 VMD 信号分解各模式分量时域波形和频谱

5
4
2022 年 第 44 卷 第 12 期
无损检测