基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用-杨.pdfVIP

振 动 与 冲 击 维普资讯 第24卷第2期 JOURNALOFVIBRATIONANDSHOCK 基于 EMD的奇异值分解技术在滚动轴承故障诊断中的应用 杨 宇 于德介 程军圣 (湖南大学机械与汽车工程学院，长沙410082) 摘 要 针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解 (EmpiricalModeDecomposition， 简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平 稳的内禀分量(IntrinsicModefunction，简称 IMF)之和，并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值 分解得到矩阵的奇异值，将其作为滚动轴承振动信号的故障特征向量，并输入神经网络来识别滚动轴承的工作状态和故 障类型。实验分析结果表明，本文方法能有效地应用于滚动轴承故障诊断。 关键词：EMD，滚动轴承，奇异值分解，神经网络 中图分类号：TH133 文献标识码：A 0 引 言 而且更为重要的是它还随着信号本身的变化而变化， 因此EMD方法是一种 自适应的信号分解方法，具有 滚动轴承的故障诊断过程实质上就是一个模式 很高的信噪比，非常适用于非平稳、非线性过程。本 识别的过程，人工神经网络以其非线性模式分类性能 文拟采用EMD方法对滚动轴承振动信号进行分解， 和很强的自组织、自学习能力，在滚动轴承的故障诊 得到若干个 IMF分量，然后按所包含的频率成分的高 断中得到了广泛应用 ¨。。但网络的识别效果依赖于 低将这些IMF分量分成若干组，组成若干个初始特征 所提取的特征参数的有效性和网络参数的选取 J。 向量矩阵，这些初始特征向量矩阵向量矩阵完整刻画 其中，故障特征参数的提取是故障诊断中最重要、最 了滚动轴承振动信号的特征，并对这些初始特征向量 关键的问题之一。事实上，当滚动轴承产生故障时， 矩阵进行奇异值分解，提取初始特征向量矩阵的奇异 由于受到刚度非线性、摩擦力、间隙和外载荷等因素 值作为故障特征向量，输入神经网络来识别滚动轴承 的影响，滚动轴承的振动信号往往会表现出非平稳特 的工做状态和故障类型。实验分析结果表明，该方法 征，因此，如何从非平稳信号中提取故障特征信息，在 可有效地对滚动轴承的工作状态和故障类型进行分 滚动轴承的故障诊断中就显得尤为重要 J。信号处 类，从而为滚动轴承故障诊断提供了一种新的方法。 理是提取故障特征信息最常用的方法，以快速傅里叶 变换(Frr)为核心的传统频谱分析方法在平稳信号处 1 EMD方法 理的特征提取中发挥了重要作用，但对非平稳信号进 行分析时其结果失去了物理意义 ；小波变换能够同 EMD方法假设任何信号都由不同的内禀模态函 时提供信号在时域和频域的局部化信息，但其本质是 数(IMF)组成，每个 IMF可以是线性的，也可以是非 窗口可调的Fourier变换，由于小波基长度有限，因此 线性的，IMF分量必须满足下面两个条件：一是其极 在对信号进行时频分析时，会产生能量泄漏_6J。 值点个数和过零点数相同或最多相差一个，二是其上 采用EMD方法和奇异值分解