基于MS-EEMD的滚动轴承微弱故障提取研究
2018-06-25王志坚吴文轩张纪平王日俊寇彦飞
噪声与振动控制 2018年3期
王志坚,吴文轩,张纪平,王日俊,寇彦飞
(中北大学 机械工程学院,太原 030051)
在旋转类机械中,轴承作为重要的动力传递零件,一直备受关注。在机器的运行过程中,轴承的磨损不可避免,轴承出现磨损故障后,其初期信号较微弱,在强背景噪声下很难被诊断,若不采取相应的措施就会导致轴承故障,轻则使机器出现故障,严重时甚至会导致重大的事故,造成经济损失和人员伤亡,因此对轴承早期故障信号的提取一直深受重视[1–5]。
总体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)是Huang基于辅助白噪声的分析方法提出的一种自适应方法,其具体思路来自于Flandrin用EMD处理白噪声。将EEMD方法运用于实验时发现,用EMD处理白噪声后可将含有噪声信号中含有不同的频率成分依次分开,这样成功避开了EMD的模态混叠现象,通过加入白噪声平滑异常现象的出现,有一举两得的功效,首先白噪声的频谱是均匀分布的,可以将不同的时间尺度信号自适应的分解到合适的本征模态函数上,此外根据白噪声的均值为零的特性,经过多次平均可将所加白噪声抵消[6–8]。
但是EEMD的缺陷也较明显,白噪声的幅值选取多大合适、整合次数多大最优,至今仍没有一个公式让它适用于任何信号。因此模态混叠现象依然十分严重,无法从中提取所需的时频信息[9–11]。
基于以上原因,本文将掩膜信号法引入到EEMD方法中,在消除EEMD方法出现的模态混叠现象后,提取故障信息。
1 理论推导
1.1 EEMD方法
(1)收集到的振动信号为……
登录APP查看全文
