频率调制经验模态分解在轴承故障诊断中的应用
2014-09-19袁彦霞
张 超,袁彦霞
(内蒙古科技大学 信息工程学院,内蒙古 包头 014010)
现代机械设备中,轴承是最常用也是最易损坏的零件[1]。由于其破坏形式极其复杂,且通过传感器提取出来的振动信号具有非平稳特征,反映状态信息的能量也很微弱,给故障诊断带来了困难。如何从非平稳的振动信号中提取出故障特征信息是轴承故障诊断的关键。
经验模态分解(Empirical Mode Decomposition,EMD)是一种新型的信号处理方法,非常适合于非线性、非平稳信号[2]。一个非平稳信号通过EMD分解,可以得到若干个平稳的本征模函数(Intrinsic Mode Function,IMF)。然而,在处理实际信号时容易产生模态混淆问题是 EMD方法的最大缺陷[3]。也就是说,EMD方法的频率解析度不高,容易将相邻的两个不同频率的信号混淆成一个信号,从而产生无法预期的错误信息[4]。对于非平稳的随机振动信号,Wu等[5]提出了总体平均经验模态分解方法(Ensemble Empirical Mode Decomposition,EEMD),通过多次在原始信号中加入互不相关的白噪声,再进行EMD分解,最终将分解结果进行多次平均来消除噪声,进而解决EMD方法中的模态混淆问题。近年来,许多学者对EEMD方法进行了研究[6-8],但该方法效率很低。尤其对于衰减信号,效率更加低下,以至于不实用[3]。
基于此,本文研究了基于频率调制经验模态分解(Frequency Modulated Empirical Mode Decomposition,FM-EMD)的轴承故障诊断方法。文中首先对仿真信号分别进行EMD分解与FM-EMD分解,证明了FM-EMD方法的有效性。最后对发生滚动体剥落的故障轴承振动信号采用FM-EMD方法进行分解,提取出了故障特征频率,准确地确定了故障类型,完成了轴承故障诊断。……
