辜志强, 林月叠

(武汉理工大学 现代汽车零部件技术湖北省重点实验室,湖北 武汉 430070)

滚动轴承是机械设备中常见且重要的零部件,在汽车、航天、冶金等国家支柱行业有着广泛的应用。一旦滚动轴承发生故障,轻则影响设备的使用,重则会造成巨大的经济损失和人员伤亡。因此,滚动轴承的故障诊断是必须面对的重要课题。对滚动轴承故障诊断技术的研究具有重要的经济意义与社会意义。

滚动轴承发生故障时,其振动信号表现出非线性、非平稳的特征,同时也蕴含了大量的轴承状态信息。利用信号处理技术对采集得到的滚动轴承振动信号进行故障分析,是一种有效的方法。在各类信号处理技术中,基于傅里叶变换的经典谱分析方法并不适用于非线性信号,而能兼顾信号时域、频域的局部与全貌的时频分析方法十分适用。文献[1]提出一种新的自适应时频分析方法,即局部均值分解(local mean decomposition, LMD),结果表明其效果优于其他时频分析方法,受到了广泛的重视。该算法能够自适应地将一个成分多样的非平稳信号分解成一系列具有明确物理意义的乘积函数(product function,PF),最后对分解后的信号进行重组就可以获得原始信号的时频分布。文献[2]利用奇异值分解与LMD结合,有效检测出滚动轴承故障。文献[3]将LMD与拉普拉斯特征映射(laplacian eigenmap, LE)算法融合,实现非平稳的滚动轴承故障特征提取。但是由于端点效应等影响[4],振动信号在经LMD分解后,往往会出现模态混淆的问题。……