基于EEMD自适应形态学在齿轮故障诊断中的应用
2014-09-19侯高雁
振动与冲击 2014年18期
侯高雁,吕 勇,肖 涵,秦 拓
(武汉科技大学 机械自动化学院,武汉 430081)
齿轮在旋转过程中必然会产生振动,振动信号包含了齿轮运转过程中的大量信息,在齿轮发生故障时,会产生周期性的脉冲冲击力,引起系统的非线性振动,这使得从齿轮系统获得的振动信号往往具有非线性非平稳特征,因此传统的信号处理方法就无法得到满意的结果。常见的非线性、非平稳信号处理方法有:短时傅里叶变换(STFT);小波变换;Hilbert-Huang变换;EMD等,均具有各自的局限性,为了克服这些不足,提出了基于EEMD自适应形态学方法,来提取故障信号的特征频率。
数学形态学[1]分析是基于积分几何和随机集的不同于时域、频域分析的非线性方法。该方法具有很强的抑制脉冲干扰的能力,并且算法简便易行、实用有效。但是存在选择最优结构元素和滤除白噪声能力不足的问题,针对这一不足,分别采用遗传算法来优化结构元素和EEMD(集合经验模式分解)方法来滤除白噪声。遗传算法[2](GA)是Holland提出的一种随机化的概率搜索方法,能在搜索中自动获取和积累有关知识,实现全局范围内高效、并行的搜索,以求取最优解。Huang等[3]提出一种新的非平稳信号处理方法——经验模式分解(Empirical Mode Decomposition,EMD),该方法核心是将任意信号分解为固有模态函数(IMF),可以进行二次滤波,但该方法会产生模式混叠。为了抑制模式混叠,Wu等[4]提出一种将噪声辅助分析应用于经验模式分解中的集合经验模式分解方法(EEMD),该方法促进抗混分解,有效的抑制了混叠现象。……
登录APP查看全文
