基于局部均值分解与包络解调的轴承故障特征提取.docVIP

基于局部均值分解与包络解调的轴承故障特征提取 者： 号祺 Hindawi出版公司 《工程中的数学问题》 2015卷,文章编号429185,共13页 原文链接/10.1155/2015/429185 研究报告 基于局部均值分解与包络线解调的轴承故障特征提取 马军1，吴建德1,2，范玉刚1,2，王晓东1,2 1昆明理工大学信息工程与自动化学院中国昆明650500 2云南省矿物管道输送工程技术研究中心 来信请寄给吴建德的邮箱地址：收稿日期2014年9月30日; 修订日期2015年1月1日; 接受日期2015年1月5日。 学术编辑：XinggangYan 自从2015年1月开始，马军等人拥有本文的版权。这是一篇开放共享的文章，以共用署名的形式发布，允许无限制的使用，可以发布和转载在任何介质上，只要正确的的注明引用的链接。 摘要 由于滚动轴承的工作过程是一个复杂的、非平稳的动态过程，通常来说振动信号的时间和频率特征常被掩盖在噪声当中。因此，提取振动信号的故障特征是故障诊断的关键。因此，提出了一种基于局部均值分解（LMD）和包络解调方法的滚动轴承故障特征提取方法。首先，将原始振动信号经过LMD方法分解出一系列的PF分量乘积函数（PFS）。然后对其进行了包络解调分析。最后，对解调信 号进行傅立叶变换，并根据频谱的主要频率对故障情况进行判断。结果表明提出的方法能够正确的在故障诊断是提取出故障特征。 1.引言 滚动轴承是旋转机械中最重要、最容易失效的部件之一。轴承的故障会影响设备的正常运行，甚至会造成一系列严重的事故，因此滚动轴承的故障诊断非常重要。[1]最常用到的轴承故障诊断方法是基于振动信号的。但是滚动轴承的运动过程是一个复杂的、非平稳的动态过程。振动信号的时域、频域特征并不足够明显来诊断轴承的故障。[2]所以提取振动信号的特征在故障诊断中扮演着重要的角色。 在故障特征提取的过程中，包络解调分析是常用的方法之一，主要包括希尔伯特变换（HT）和Teager能量算子（TEO）解调[3]，包络解调广泛的用于语音识别、故障诊断和掐他领域[1,4-6]。前文提到的分解方法是基于单一的调幅—调频信号，但是滚动轴承的故障振动信号是一种多成分分量的信号。所以在对信号进行希尔伯特变换和Teager能量算子解调之前要对信号分解。常用于分解的方法包括小波或小波包分解、经验模式分解（EMD）,集成经验模态分解（EEMD），局部均值分解和其他信号分解方法。EMD、EEMD和LMD都是基于信号本身特征的自适应的分解方法。为了去除由于转子损坏造成的定子电流噪声，EMD方法常被各种文献使用。[7]希尔伯特变换用来提取信号的包络线来去除噪声。最后提取故障特征频率从坏的转轴或者对包络线进行快速傅里叶变换。为了克服传统包络分析中共振频率的缺陷，基于EMD和HT解调的方法被提出[8,9].确定共振频段的IMF分量，通过EMD滤波，然后选择合适的IMF分量进行包络分析，再根据其频谱判断轴承的工作状态。冯认为含噪声的风力涡轮机齿轮的振动信号也是多分量的调幅调制信号并且提出了EEMD与TEO相结合的新的故障诊断分析方法。实验结果表明此方法能够有效得诊断风力涡轮机的故障。[10] Smith发表了一种称为LMD的，基于EMD和EEMD研究的新自适应处理方法。 [11]它能分解任何复杂的非平稳信号为几个PF分量同时能够确保每个PF分量的瞬时频率存在物理意义。为了与EMD和EEMD进行对比，其克服了EMD中无法解释的负频率问题。端点效应和模态混叠对于LMD的影响较小。[12]所以LMD被广泛用于故障诊断领域。旋转机械的主要部件（转子轴、定子和滚动轴承）的振动信号都是多分量的调幅调频信号。为了判断轴承的工作状态，通过LMD分解计算了PF分量的瞬时频率，比较了EMD和LMD的性能[13,14].针对电机的早期故障诊断的低速度限制振动的问题，刘某等人采用了LMD分解方法并应用于风力发电机的故障振动信号的分解上计算出了PF分量的瞬时频率一边与诊断故障[15].邓某和赵某将LMD和快速傅里叶变换相结合直接的分析了PF分量的FFT变换的频谱图然后选择合适的PF分量根据频谱特征重构信号来描述机械的工作情况 [16]。 在轴承的故障诊断领域，将现代信号处理技术和LMD结合起来的方法得到了重视。但是由于通过LMD得到PF分量描述的能量,研究关于选择合适的PF分量 进行包络解调条来诊断故障比较解调性能的方法还很少。所以将LMD和包络解调相结合用于提取滚动轴承故障特征的方法被提出了