- 1、本文档共9页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于MED-EEMD 的滚动轴承微弱故障特征提取 - Ingenta Connect
第 30 卷 第 23 期 农 业 工 程 学 报 Vol.30 No.23
70 2014 年 12 月 Transactions of the Chinese Society of Agricultural Engineering Dec. 2014
基于 MED-EEMD 的滚动轴承微弱故障特征提取
※
王志坚,韩振南 ,刘邱祖,宁少慧
(太原理工大学机械工程学院,太原 030024 )
摘 要:针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积
(minimum entropy deconvolution ,MED )和总体平均经验模态分解(ensemble empirical mode decomposition,
EEMD )两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果
表明:为了弥补在强背景噪声下 EEMD 对微弱信号特征提取的局限性,该文选取 MED 作为 EEMD 的前置滤波器,
最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和
高速轴输出端#10 轴承外圈点蚀。同时与 EEMD 进行对比分析,表明了这种方法对微弱故障特征提取有较好的适
用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。
关键词:轴承;故障检测;信号分析;齿轮箱;最小熵反褶积;总体平均经验模态分解;微弱故障;多故障
doi :10.3969/j.issn.1002-6819.2014.23.010
中图分类号:TN911.72;TP206 文献标志码:A 文章编号:1002-6819(2014)-23-0070-09
王志坚,韩振南,刘邱祖,等. 基于MED-EEMD的滚动轴承微弱故障特征提取[J]. 农业工程学报,2014,30(23):
70-78.
Wang Zhijian, Han Zhennan, Liu Qiuzu, et al. Weak fault diagnosis for rolling element bearing based on MED-EEMD[J].
Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 70 -78. (in
Chinese with English abstract)
总体平均经验模态分解 (ensemble empirical mode
0 引 言
decomposition,EEMD )等。其中小波降噪具有多分
旋转机械,如发电机、齿轮箱等作为农业生产 辨率等优点,文献[4-7]将小波消噪用于滚动轴承
中的重要设备,它的运行状况直接影响农业机械系 微弱故障特征提取。但小波基函数和阈值的选择
统的工作状况,一旦出现故障就会造成巨大的经济 不具有自适应性,因此小波降噪的效果受人为因
损失和人员伤亡。因此,对旋转机械的故障诊断技 素的影响[2] 。
术一直以来都深受重视[1-3],其中对轴承故障的及时 EEMD 是由 Wu 等[8]提出的一种有效的自适应
诊断尤为重要,轴承的故障主要集中在内、外圈和 性降噪分析方法,其本质是在经验模态分解
滚动体,当以上 3 种故障出现其中之一时,系统会 (empirical mode
文档评论(0)