萨其日拉

(东北石油大学 石油工程学院，黑龙江 大庆 163318)

基于MF-SVD的滚动轴承振动信号故障特征提取方法研究

萨其日拉

(东北石油大学 石油工程学院，黑龙江 大庆 163318)

极值域均值模式分解(EMMD)在抑制端点效应、算法精度、计算耗时等方面均比经验模式分解(EMD)算法和自适应时变滤波分解(ATVFD)有着明显的优势，能够有效地对旋转机械振动信号进行故障特征提取，由于现场信号通常掺杂大量噪声，严重影响了EMMD的分解精度。针对该问题，提出了基于形态滤波-奇异值(MF-SVD)的去噪方法，并将其与EMMD相结合，建立了一种新的故障特征提取方法。实验结果表明： 该方法能够有效、准确地提取旋转机械滚动轴承内圈损伤的故障特征，有着良好运算速度和精确度。

极值域均值模式分解 形态滤波 奇异值分解 特征提取

1998年由N.E. Huang等人[1]提出一种新的时频分析法HHT(hilbert-huang transform)，能够有效地对非线性、非平稳信号进行分析，同时具有良好的自适应性，在机械故障诊断领域中HHT法已得到广泛的应用，并取得了良好的效果。但是N.E. Huang也指出该方法尚有不足之处，如三次样条插值的“过包络”和“欠包络”、端点效应以及模态混叠问题[2-3]。近年来，经过专家学者的不断研究，出现很多经验模式分解(EMD)的改进方法，其中较为先进的为自适应时变滤波分解法(ATVFD)和极值域均值模式分解法(EMMD)。经研究表明，EMMD法与ATVFD法和EMD法相比，具有有效抑制端点效应、高分解精度和更快的运算速度的特点。

但是，现场采集的振动信号通常掺杂大量噪声，大部分为随机噪声和局部冲击干扰，这些噪声同样进行EMMD分解计算。……