应用经验模态分解下的AR模型提取旋转机械故障特征.pdfVIP

第 35卷 第 4期 燕 山大学学报 V0l1．35NO．4 2011年 7月 JournalofYanshanUniversity July 2011 文章编号：1007-791X (2011)04-0342—05 应用经验模态分解下的AR模型提取旋转机械故障特征 孟 宗 ，顾海燕 (燕山大学 河北省测试计量技术及仪器重点实验室，河北 秦皇岛 066004) 摘 要：将时间序列的AR模型引入到旋转机械故障诊断中，采用了经验模态分解与AR模型相结合的方法提 取旋转机械的故障特征。通过选取含有故障信息的固有模态函数进行功率谱分析，提取故障特征，分析故障原 因。仿真和试验结果表明，此法能够有效地提取故障特征参数，为旋转机械的故障诊断提供了方法保障。 关键词：EMD：AR模型；故障特征提取：旋转机械 中图分类号：TP206 文献标识码：A DOI：10．39690．issn．1007—791X．2011．04．011 0 引言 tion，EMD)方法是近年发展起来的一种新的非线 性、非平稳信号分析方法，被认为是对 以傅立叶变 大型旋转机械如轧机 、风机和汽轮机等是冶 换为基础的线性和稳态谱分析的一个重大突破 。 金、电力、石油化工等部门的关键设备。由于工作 目前，Hilbert—Huang变换已经成功应用于生物医 环境、使用寿命的限制，机械设备中某些部件难免 学 口、故障诊断 等领域的研究，并取得很好的 出现一些故障而影响其正常工作，有时甚至会机毁 效果。该方法从信号的局部特征时间尺度出发，把 人亡，造成重大经济损失。因而对这些机械装备实 复杂信号函数分解为若干个固有模态函数 (Intrin— 施状态监测和故障诊断具有重要意义。近年来，越 sicModeFunction，IMF)之和，由于EMD方法 来越多的学者把 目光投 向旋转机械设备故障诊断 是依据信号本身的信息进行的分解 ，得到的 IMF 领域 。机械故障诊断一般有 3个步骤：1)故障信 通常是个数有限的，而且表现信号内含的真实物理 号的采集；2)故障特征的提取；3)状态识别和故 信息，因此 EMD方法是 自适应的信号处理方法， 障诊断。如何从复杂的机械动态信号中提取到有效 非常适合处理非线性和非平稳过程 [81oAR模型是 的故障特征信息是解决大型复杂机械设备监测与 一 种时间序列分析方法 9]【，其 自回归参数对状态变 诊断问题的关键。具有故障的机械在运行时，其振 化是十分有效的，能够深刻、集中地表达动态系统 动信号绝大多数是非平稳和非线性的，这些非平稳 的客观规律。但是AR模型对非平稳信号的分析效 和非线性的振动信号包含了大量的故障特征信息。 果不理想，而旋转机械故障信号表现为非平稳信 较为典型的时频分析方法有短时傅立叶分析、小波 号，不能直接对信号建立 AR模型。而经验模态分 分析、Wigner-Ville分布等。傅立叶分析的时间分 解得到的IMF分量是平稳的，可以对各个 IMF分 辨率和频率分辨率不能同时达到最佳；Wigner-Vil— 量建立 自回归模型，从而提取振动信号的故障信 le分布在分析多分量信号时存在严重的交叉干扰 息 因此，本文将 EMD和AR模型结合应用到旋 项；小波分析受小波基函数的限制，会造成信号能 转机械故障特征提取中，首先对故障信号进行分 量的泄漏，无法正确分析信号随时间