Науковий вісник НГУ

Гібридний метод вібродіагностування підшипника кочення рухомого складу з використанням ICEEMDAN та OMEDA

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №2 2024

Останнє оновлення: 11 травня 2024

Опубліковано: 30 листопада -0001

Перегляди: 1513

Authors:

В.Г.Пузир, orcid.org/0000-0001-6096-9049, Український державний університет залізничного транспорту, м. Харків, Україна, е-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

С.В.Михалків*, orcid.org/0000-0002-0425-6295, Український державний університет залізничного транспорту, м. Харків, Україна, е-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О.А.Плахтій, orcid.org/0000-0002-1535-8991, Український державний університет залізничного транспорту, м. Харків, Україна, е-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2024, (2): 074 - 081

https://doi.org/10.33271/nvngu/2024-2/074

Abstract:

Мета. Полягає в розробці гібридного методу, що заснований на процедурах ICEEMDAN і OMEDA для визначення діагностичних ознак технічного стану ролика підшипника кочення з високою достовірністю.

Методика. Пошук інформативних частотних компонент на широкосмугових спектрах, спектрах обвідної та квадратичної обвідної вібрації за результатами реалізації методів цифрової обробки сигналів. Використання методів математичної статистики для відбору інформативних IMFs за результатами виконання ітераційних обчислювальних процедур. Залучення методу сліпої розгортки з відповідною цільовою функцією для посилення імпульсних ознак, що викликані пошкодженнями.

Результати. Використання традиційних спектральних методів надало неповний перелік діагностичних ознак, властивих пошкодженню ролика підшипника кочення. Метод розкладання за емпіричними модами (EMD) і його молодші версії надали групи вбудованих функцій мод (IMFs). На широкосмугових спектрах вібрації відібраних низькочастотних IMFs діагностичних ознак у достатній кількості не було виявлено. Подальші дослідження зосередились на розробці гібридного методу, що зважає на процедуру демодуляції високочастотних складових тих IMFs, які відбирались за комплексним індексом оцінювання. Метод швидкої ексцесограми визначив інформативну частотну смугу 7.2–7.5 кГц для демодуляції й побудови квадратичних спектрів обвідної вібрації, де з’явились гармоніки частоти обертання ролика й деякі бічні смуги з шириною, що дорівнює частоті обертання сепаратора. Застосування OMEDA дозволило позбутись на спектрах квадратичної обвідної вібрації залишкового шуму й спричинити появу двосторонніх бічних смуг навколо всіх гармонік частоти обертання роликів.

Наукова новизна. Уперше виявлено весь перелік діагностичних ознак пошкодження ролика підшипника кочення буксового вузла рухомого складу завдяки розробленому гібридному методу, що залучає заходи зі зменшення шуму для набуття фізичного значення певних частотних складових, які пов’язані з пошкодженням. Використання оптимального скоригованого методу розгортки з мінімальною ентропією дозволило остаточно позбутись шуму й надати весь перелік діагностичних ознак технічного стану на квадратичному спектрі обвідної вібрації.

Практична значимість. Результати проведених досліджень дозволять на випробувальному стенді у відділенні з ремонту роликових підшипників вантажного вагонного депо контролювати якість ремонту підшипників буксових вузлів.

Ключові слова: вагон, вібрація, діагностика, підшипник, розгортка, розкладання, спектр

References.

1. Wang, Y-Z., Qin, Y., Zhao, X.-J., Zhang, S.-J., & Cheng, X.-Q. (2020). Bearing fault diagnosis with impulsive noise based on EMD and cyclic correntropy. Proceedings of the 9 ^th International Conference on Green Intelligent Transportation Systems and Safety. https://doi.org/10.1007/978-981-15-0644-4_112.

2. Rihi, A., Baïna, S., Mhada, F.-z., Elbachari, E., Tagemouati, H., Guerboub, M., & Benzakour, I. (2022). Predictive maintenance in mining industry: grinding mill case study. Procedia Computer Science, 207, 2483-2492. https://doi.org/10.1016/j.procs.2022.09.306.

3. Qin, Y., & Jia, L. (2019). Active safety methodologies of rail transportation. Advances in high-speed rail technology. Singapore: Springer. ISBN: 978-981-13-2259-4. https://doi.org/10.1007/978-981-13-2260-0.

4. An, G., Tong, Q., Zhang, Y., Liu, R., Li, W., Cao, J., …, & Pu, X. (2021). A Parameter-Optimized Variational Mode Decomposition Investigation for Fault Feature Extraction of Rolling Element Bearings. Mathematical Problems in Engineering, 2021, 6629474. https://doi.org/10.1155/2021/6629474.

5. Dybała, J., & Gałęzia, A. (2014). A Novel Method of Gearbox Health Vibration Monitoring Using Empirical Mode Decomposition. Proceedings of the Third International Conference on Condition Monitoring of Machinery in Non-Stationary Operations CMMNO 2013. https://doi.org/10.1007/978-3-642-39348-8_19.

6. Tarek, K., Abderrazek, D., Khemissi, B. M., Cherif, D. M., Lilia, C., & Nouredine, O. (2020). Comparative study between cyclostationary analysis, EMD, and CEEMDAN for the vibratory diagnosis of rotating machines in industrial environment. The International Journal of Advanced Manufacturing Technology, 109(9-12), 2747-2775. https://doi.org/10.1007/s00170-020-05848-z.

7. Cheng, J., Yang, Y., Li, X., & Cheng, J. (2021). Adaptive periodic mode decomposition and its application in rolling bearing fault diagnosis. Mechanical Systems and Signal Processing, 161, 107943. https://doi.org/10.1016/j.ymssp.2021.107943.

8. Zhang, X., Zhao, J., Ni, X., Sun, F., & Ge, H. (2019). Fault diagnosis for gearbox based on EMD-MOMEDA. International Journal of System Assurance Engineering and Management, 10(4), 836-847. https://doi.org/10.1007/s13198-019-00818-5.

9. Li, H., Liu, T., Wu, X., & Chen, Q. (2019). Application of EEMD and improved frequency band entropy in bearing fault feature extraction. ISA Transactions, 88, 170-185. https://doi.org/10.1016/j.isatra.2018.12.002.

10. Guo, W., Tse, P. W., & Djordjevich, A. (2012). Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition. Measurement, 45(5), 1308-1322. https://doi.org/10.1016/j.measurement.2012.01.001.

11. Kedadouche, M., Thomas, M., & Tahan, A. (2014). Monitoring Machines by Using a Hybrid Method Combining MED, EMD, and TKEO. Advances in Acoustics and Vibration, 2014, 1-10. https://doi.org/10.1155/2014/592080.

12. Ahn, J.-H., Kwak, D.-H., & Koh, B.-H. (2014). Fault Detection of a Roller-Bearing System through the EMD of a Wavelet Denoised Signal. Sensors, 14(8), 15022-15038. https://doi.org/10.3390/s140815022.

13. Bouhalais, M. L., Djebala, A., Ouelaa, N., & Babouri, M. K. (2018). CEEMDAN and OWMRA as a hybrid method for rolling bearing fault diagnosis under variable speed. The International Journal of Advanced Manufacturing Technology, 94(5-8), 2475-2489. https://doi.org/10.1007/s00170-017-1044-0.

14. He, C., Niu, P., Yang, R., Wang, C., Li, Z., & Li, H. (2019). Incipient rolling element bearing weak fault feature extraction based on adaptive second-order stochastic resonance incorporated by mode decomposition. Measurement, 145, 687-701. https://doi.org/10.1016/j.measurement.2019.05.052.

15. Saidi, L., Ali, J. B., Benbouzid, M., & Bechhoefer, E. (2016). The use of SESK as a trend parameter for localized bearing fault diagnosis in induction machines. ISA Transactions, 63, 436-447. https://doi.org/10.1016/j.isatra.2016.02.019.

16. Smith, W. A., & Randall, R. B. (2015). Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study. Mechanical Systems and Signal Processing, 64-65, 100-131. https://doi.org/10.1016/j.ymssp.2015.04.021.

17. Klausen, A., Robbersmyr, K. G., & Karimi, H. R. (2017). Autonomous Bearing Fault Diagnosis Method based on Envelope Spectrum. IFAC-PapersOnLine, 50(1), 13378-13383. https://doi.org/10.1016/j.ifacol.2017.08.2262.

18. Xu, Y., Feng, G., Tang, X., Yang, S., Fengshou, G., & Ball, A. D. (2023). A Modulation Signal Bispectrum Enhanced Squared Envelope for the detection and diagnosis of compound epicyclic gear faults. Structural Health Monitoring, 22(1), 562-580. https://doi.org/10.1177/14759217221098577.

19. Randall, R. B. (2021). Vibration-based condition monitoring. NJ: John Wiley & Sons Ltd. ISBN: 978-1-119-47755-6.

20. Colominas, M. A., Schlotthauer, G., & Torres, M. E. (2014). Improved complete ensemble EMD: A suitable tool for biomedical signal processing. Biomedical Signal Processing and Control, 14, 19-29. https://doi.org/10.1016/j.bspc.2014.06.009.

21. Rabah, A., & Abdelhafid, K. (2018). Rolling bearing fault diagnosis based on improved complete ensemble empirical mode of decomposition with adaptive noise combined with minimum entropy deconvol ution. Journal of Vibroengineering, 20(1), 240-257. https://doi.org/10.21595/jve.2017.18762.

22. Lei, Y., Liu, Z., Ouazri, J., & Lin, J. (2017). A fault diagnosis method of rolling element bearings based on CEEMDAN. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 231(10), 1804-1815. https://doi.org/10.1177/0954406215624126.

23. Gao, K., Xu, X., Li, J., Jiao, S., & Shi, N. (2021). Application of multi-layer denoising based on ensemble empirical mode decomposition in extraction of fault feature of rotating machinery. PLoS ONE, 16(7), e0254747. https://doi.org/10.1371/journal.pone.0254747.

24. Miao, Y., Zhang, B., Lin, J., Zhao, M., Liu, H., Liu, Z., & Li, H. (2022). A review on the application of blind deconvolution in machinery fault diagnosis. Mechanical Systems and Signal Processing, 163, 108202. https://doi.org/10.1016/j.ymssp.2021.108202.

25. He, L., Yi, C., Wang, D., Wang, F., & Lin, J.-h. (2021). Optimized minimum generalized Lp/Lq deconvolution for recovering repetitive impacts from a vibration mixture. Measurement, 168, 108329. https://doi.org/10.1016/j.measurement.2020.108329.

26. McDonald, G. L., & Zhao, Q. (2017). Multipoint Optimal Minimum Entropy Deconvolution and Convolution Fix: Application to vibration fault detection. Mechanical Systems and Signal Processing, 82, 461-477. https://doi.org/10.1016/j.ymssp.2016.05.036.

27. Cheng, Y., Wang, Z., Zhang, W., & Huang, G. (2019). Particle swarm optimization algorithm to solve the deconvolution problem for rolling element bearing fault diagnosis. ISA Transactions, 90, 244-267. https://doi.org/10.1016/j.isatra.2019.01.012.

• < Попередня
• Наступна >