基于MED-EEMD 的滚动轴承微弱故障特征提取 - Ingenta Connect.PDF

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