基于迭代滤波和快速峭度图的滚动轴承微弱故障特征提取
2018-05-23钟先友田红亮赵春华陈保家陈法法
振动与冲击 2018年9期
钟先友, 田红亮, 赵春华, 陈保家, 陈法法
(三峡大学 水电机械设备设计与维护湖北省重点实验室, 湖北 宜昌 443002)
滚动轴承的故障诊断对于减少经济损失和避免人员伤亡具有十分重要的意义。Huang等[1]提出了一种自适应的时频分析方法—经验模式分解(Empirical Mode Decomposition,EMD)。EMD方法能将一个非稳非线性信号分解为一系列本征模态函数,在滚动轴承故障中已经取得了一定的应用[2-3]。唐海英等[4]将阶次跟踪和经验模态分解相结合对滚动轴承信号进行包络解调分析。Cheng等[5-6]将经验模态分解分别与能量算子解调和边际谱相结合对滚动轴承进行诊断,唐先广等[7]将基于独立分量分析与希尔伯特-黄变换用于轴承故障特征提取,苏文胜等[8]对滚动轴承信号进行经验模态分解,选取前两个分量重构,再利用谱峭度法选取最佳带通滤波器参数进行带通滤波,最后进行包络解调来提取故障特征,论文中确定重构的模式分量是依靠经验来确定,且论文研究表明,谱峭度对信号中的噪声敏感,噪声影响谱峭度法选取最佳带通滤波器参数,进而影响包络解调的效果。应用包络谱分析,带通滤波参数的选择仍然是一个难点,滤波参数的选择对信号分析结果影响很大[9]。陈略等[10-11]将总体平均经验模态分解用于对滚动轴承进行诊断,取得了较好的效果。
EMD存在过包络、欠包络、模态混淆、端点效应等问题[12-13]。Lin等介绍了一种自适应信号分析方法—迭代滤波,迭代滤波方法能自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀模态分量之和。……
登录APP查看全文
