基于EEMD和流形学习的滚动轴承故障诊断方法研究.pdfVIP

基于EEMD 和流形学习的滚动轴承故障诊断方法研究 摘要 当滚动轴承发生故障时，振动信号较为复杂，传统的功率谱分析方法和时频 分析方法等特征提取方法往往无法有效地诊断故障类型。针对以上问题，本文基 于集合经验模态分解（EEMD ）、双谱分析和流形学习等技术，开展了特征提取 和故障诊断方法研究，并将其应用于滚动轴承的故障诊断中。本文的主要研究内 容如下： ① 针对旋转机械振动信号常常混有高斯噪声和非高斯噪声而传统方法无法 处理的问题，提出一种基于云模型改进 EEMD 和双谱分析的滚动轴承特征提取 方法。首先，对轴承信号进行 EEMD 分解，得到频率从高到低的一系列本征模 态分量（IMF ）；其次利用提出的云模型参数法识别出虚假IMF 分量，消除信号 中的非高斯噪声；最后对筛选出的真实 IMF 分量进行双谱分析去除高斯噪声， 从而提取出淹没于噪声中的故障特征信息。仿真分析和滚动轴承实际应用验证了 该方法的有效性和优越性。 ② 针对单一尺度的熵值难以完全表征滚动轴承故障特征的问题，结合集合 经验模态分解（EEMD ）、散布熵（DE ）和局部保留投影算法（LPP ），提出了 一种基于EEMD 散布熵-LPP 的滚动轴承故障诊断方法。首先，对轴承信号进行 EEMD 分解，提取其前9 个IMF 分量作为特征信号；其次，分别计算其散布熵 值，以此为特征参数构建高维特征空间；再次，利用 LPP 进行降维获得低维特 征集，实现特征二次提取；最后，输入 K 近邻分类器（KNN ）进行分类识别， 实现故障诊断。滚动轴承故障诊断实例验证了其有效性和可行性。 ③ 针对 EEMD 散布熵-LPP 滚动轴承故障诊断方法实时性差的问题，提出 了一种基于多尺度散布熵-LPP 的滚动轴承故障诊断方法。该方法采用耗时更短 的多尺度散布熵代替EEMD 算法，利用其直接构建高维特征空间。首先，计算 轴承信号的15 个尺度下的散布熵构建高维特征空间，接着利用LPP 进行降维获 I 得低维特征集，实现特征二次提取，最后输入KNN 分类器进行分类识别。滚动 轴承故障诊断实例证明其在不降低识别准确率的前提下具有更高的效率，更适用 于滚珠轴承的实时诊断。 ④ 基于本文所研究的特征提取和故障诊断方法，包括常规的时域分析、频 域分析等方法，利用MATLAB 的GUI 平台设计出一套旋转机械故障监测与诊断 系统，为旋转机械的在线监测与故障诊断提供了一个有效的分析工具，并通过实 际应用验证了该系统的有效性和实用性。 最后对本文的工作进行了总结，并展望了下一步的研究方向。 关键字： 集合经验模态分解；流形学习；散布熵；滚动轴承 II RESEARCH ON ROLLING BEARING FAULT DIAGNOSIS METHOD BASED ON MANIFOLD LEARNING AND EEMD ABSTRACT When the rolling bearing fails, the vibration signal is relatively complex, and the traditional power spectrum analysis and time-frequency analysis methods often cannot effectively diagnose the type of failure. In response to the above problems, based on the techniques of ensemble empirical mode decomposition (EEMD), bispectrum analysis and manifold learning, this paper carried out the study of feature extraction and troubleshooting me