王行刚

(江苏联合职业技术学院 徐州医药分院， 江苏 徐州　221116)



基于改进EEMD和HMM的采煤机摇臂轴承故障诊断

王行刚

(江苏联合职业技术学院 徐州医药分院， 江苏 徐州221116)

提出一种基于改进集成经验模态分解与隐马尔科夫模型的采煤机摇臂轴承故障诊断方法，利用基于极值点对称延拓和余弦窗函数的改进方法，减少端点效应对分解结果的影响，从而提高了信号分解的精度；然后提取每层本征模态函数的能量熵作为隐马尔科夫模型的输入特征向量，进行故障模式识别。实验结果表明，该方法对轴承故障类型的识别率达90%以上，实现了采煤机摇臂轴承故障的准确诊断。

采煤机摇臂； 轴承； 故障诊断； 集成经验模态分解； 隐马尔科夫模型

网络出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160902.1014.011.html

0　引言

由于煤矿井下工况条件恶劣，使得采煤机摇臂在工作时易出现较大的载荷波动，很大程度上导致了采煤机摇臂轴承故障的发生，容易造成采煤机停机，严重影响煤矿安全生产及生产效率[1]。因此，对采煤机摇臂轴承进行故障诊断分析，在故障早期分析摇臂状态并判断故障类型，具有重要的工程意义。

EMD(EmpiricalModeDecomposition, 经验模态分解)是一种自适应信号处理方法，对于非稳定性和非线性的信号分析而言，是一种较好的解决手段，因此在机械故障诊断方面得到广泛应用。在实际应用中发现，EMD分解信号过程中存在模态混叠现象和端点效应，这在很大程度上降低了信号分解的精度。EEMD(EnsembleEmpiricalModeDecomposition, 集成经验模态分解)是由Huang等[2]在EMD的基础上提出的一种新型信号处理方法，该方法克服了EMD分解的模态混合问题，但只是部分抑制了端点效应。……