基于EMD和AR模型的滚动轴承故障诊断方法.pdfVIP

维普资讯 第 17卷第 3期 振 动 工 程 学 报 Vo1．17No．3 2004年 9月 JournalofVibrationEngineering 基于EMD和AR模型的滚动轴承故障诊断方法。 于德介 程军圣 杨 宇 (湖南大学机械与汽车工程学院 长沙，410082) 摘 要 提出了基于EMD(EmpiricalModeDecomposition)和AR模型的滚动轴承故障诊断方法。该方法用EMD 将滚动轴承振动信号分解成若干个平稳的IMF(IntrinsicModeFunction)分量 ，对每一个IMF分量建立AR模型，以 模型的 自回归参数和残差 的方差作为特征向量建立Mahalanobis距离判别函数，进而判断滚动轴承的工作状态和 故障类型。实验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断 。 关键词 ：特征向量 ；EMD方法；AR模型；距离判别函数 中图分类号 ：TH133．33 滚动轴承故障诊断过程基本上可 以分三个步 EMD方法是 由Huang提出的一种 自适应的信号分 骤：第一，故障信号 的采集；第二，故障特征的提取； 解方法 3【]，它基于信号的局部特征，能把复杂的信号 第三，状态识别和故障诊断。其中的主要 内容是从滚 分解为有限的基本模式分量 (IntrinsicModeFunc— 动轴承故障振动信号中提取故障特征并进行状态识 tion，简称IMF)之和。EMD方法是依据信号本身的 别。滚动轴承故障振动信号是非平稳信号，如何从非 信息进行的分解，得到的IMF通常是个数有限的， 平稳信号 中提取特征向量是滚动轴承故障诊断的关 而且表现了信号内含的真实物理信息，同时分解得 键 。传统的滚动轴承故障诊断技术通过分析并提取 到的各IMF分量都是平稳的[3]。因此 ，采用EMD方 振动信号时域或频域波形的特征量 ，建立判别函数 法对原始信号分解后得到的是若干个平稳的IMF 来识别滚动轴承 的工作状态 。但是，由于滚动轴承结 分量 ，然后对各个IMF分量建立 AR模型，采用AR 构及工作状态 的复杂性 ，载荷 、间隙、摩擦力、刚度等 模型的 自回归参数和残差方差作为特征 向量建立 非线性因素 的影响程度不 同，有时很难仅通过时域 Mahalanobis距离判别函数 ，进一步判断滚动轴承 或频谱分析来对滚动轴承的工作状态做出较为准确 的工作状态和故障类型。通过对实验信号的分析，验 的评价 。 证 了将 EMD和AR模型相结合能有效地应用于滚 本文 采用 EMD(EmpiricalModeDecomposi— 动轴承的故障诊断，从而为滚动轴承的故障诊断提 tion)方法和AR模型相结合来提取滚动轴承故障振 供 了一种新 的方法 。 动信号 的特征向量，然后建立Mahalanobis距离判 别 函数来识别滚动轴承的工作状态并判断故障类 1 EMD方法-I3~4] 型。AR模型是一种时间序列分析方法 ，其模型参数 凝聚了系统状态 的重要信息，准确 的AR模型能够 EMD把一个复杂 的非平稳信号分解为有限个 深刻、集中地表达动态系统的客观规律。同时大量研 基本模式分量之和 ，其 中任 何一个基本模式分量 究表 明，AR模型的 自回归参数对状态变化规律反 (IMF)都满足以下条件 ： 映最敏感 [1]，因此采用AR模型的 自回归参数作为 整个数据段 内，极值点的个数和零交叉点的个 特征 向量来分析系统的状态变化是十分有效的。但 数必须相等或相差最多不能超过一个 ；在任何一点，