APP下载

基于相关峭度准则EEMD及改进形态滤波的轴承故障诊断方法

2017-07-25李翠省刘永强廖英英

轴承 2017年2期
关键词:故障信号

李翠省,刘永强,廖英英

(石家庄铁道大学 a.机械工程学院;b.土木工程学院, 石家庄 050043 )

滚动轴承运行工况复杂,早期的微弱故障信号常被强噪声严重污染,造成故障特征提取困难,因此,抑制噪声、提取故障特征是轴承故障诊断的研究热点。成熟的小波分析虽然具有多分辨率等优点,但消噪效果很大程度上依赖于阈值和基函数的选择,缺乏自适应性[1-2];集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)[3]能够自适应地将信号从高频到低频逐次分解为具有不同振动模式的IMF分量,近些年来被广泛应用于旋转机械设备的故障诊断中。

EEMD处理后高频部分的IMF分量包含较多的故障冲击成分,但其中仍含有大量噪声,需进一步对IMF分量进行选取、滤波。文献[4]将相关峭度(Correlated Kurtosis,CK)应用于SVD分量的选取中,克服了峭度不能反映特定信号特征的缺点,取得了较好效果。形态滤波可以在滤除噪声的同时最大限度地保留故障信号特征,将形态滤波器用于轴承故障信号的消噪处理[5],并与EEMD相结合[6],能够在抑制噪声的同时突出故障冲击成分,在轴承故障诊断中的效果明显。

基于以上研究成果,将相关峭度准则与EEMD及形态滤波相结合,选取经EEMD处理后相关峭度值最大及次大的IMF分量进行重构,并依据相关峭度值最大原则确定形态学结构元素的长度,以更加有效地提取故障信息特征,获得更好的诊断效果。

1 基本原理

1.1 集成经验模态分解

EEMD是针对传统EMD的不足而提出的一种噪声辅助信号处理方法,其通过多次在原信号中加入给定幅值的白噪声并进行EMD处理,从而自适应地将非线性、非平稳信号分解为若干个IMF分量和1个余项r[7]。……

登录APP查看全文

猜你喜欢

故障信号
信号
完形填空二则
故障一点通
孩子停止长个的信号
奔驰R320车ABS、ESP故障灯异常点亮
基于LabVIEW的力加载信号采集与PID控制
一种基于极大似然估计的信号盲抽取算法
故障一点通
故障一点通
故障一点通