本文以深沟球轴承球体的原始故障信号为例.docVIP

本文以深沟球轴承球体故障 图1 原始信号 Fig.1 the ball bearing fault signal 利用以上三种小波阈值降噪方法对该信号进行降噪，图2为三种小波阈值降噪 图2 三种小波阈值降噪 Fig.2 three threshold denoising ways 在三种小波阈值降噪模型中, Penalty阈值降噪模型和缺省阈值的降噪模型的降噪效果明显 的优于Brige-Massart 阈值降噪模型的降噪效果, 说明Penalty阈值和缺省阈值降噪模型能 有效地降低原始信号的噪声。图3为信号经Penalty阈值降噪后的灰度图，横坐标为时间尺度b，纵坐标为位移尺度a，图4 为信号经Penalty阈值降噪的三维图。 图3 信号灰度图 图4 信号的三维图 Fig.3 grayscale Fig.4 signal’s three dimension 对以上三种不同阈值降噪模型进行分析，选择Penalty阈值降噪模型对深沟球轴承进行频域分析，如图5为降噪后信号的频谱图，频率在140 Hz附近，与表1中球体故障频率一致， 可以判定故障是因为球体故障频率引起的。 图5 降噪后信号的频谱图 Fig.5 Denoising spectrum of the signal 3． EMD盲源分离阈值法实例分析 以＋白噪声未为例 进行仿真，图3为含噪声信号，图4为含噪声信号的频谱。 图3 含噪声信号 图4 含噪声信号频谱 首先对该信号进行EMD变换，信号的分解为IMF条件的分量，如图5所示。 图5 信号EMD变换 将经EMD分解后得到的4个IMF分量重新组成新的4维观测信号，进行Cardoso-FJADE算法进行BSS分离，得到源信号估计，如图6所示 图6 信号BSS分离 将BSS分离后的信号进行小波阈值降噪如图7所示，与图6相比效果良好。 图7 阈值降噪信号