赵 杰,陈志刚,2*,王衍学,柴 龙,高 山

(1.北京建筑大学 机电与车辆工程学院,北京 100044;2.北京市建筑安全监测工程技术研究中心,北京 100044; 3.中国石油集团川庆钻探工程有限公司 长庆井下技术作业公司,陕西 西安 710021; 4.海洋石油工程股份有限公司, 天津 300452)

0 引 言

轴承是旋转机械设备的核心部件之一,其工作状态的好坏直接影响到整个设备的性能及安全[1]。由于轴承运行过程中振动数据驳杂,常常充斥着各种噪声,造成故障特征难以提取。目前,许多相关研究取得了显著进展,但是对于非平稳信号噪声处理和特征提取方面仍有很多问题没有解决。

时频分析方法(TFA)可以揭示非平稳信号的动态特性,是处理非平稳信号时变特征非常有效的工具[2]。近年来,TFA在工程应用中发挥了重要的作用。经典的TFA方法包括短时傅里叶变换(short-time Fourier transform,STFT)、小波变换(wavelet transform,WT)、Wigner-Ville分布等[3]。然而,由于Heisenberg测不准原理和交叉干扰项的限制,传统的方法存在TF分辨率低的问题,无法准确表征非平稳信号的非线性行为。小波变换将信号分解为多个分量[4],呈现出不同的信号特征,可以在时-频域挖掘信号的局部微弱信号特征[5],但是其不足之处在于WT是一种基于可调窗口的STFT,所以存在模态混叠的问题,并且小波基的选择受人为影响较大,对于不同信号的适应性差。

经验模态分解(empirical mode decomposition,EMD)是一种自适应的信号分解方法[6],可以将信号分解为几个固有模态分量(intrinsic mode function,IMF),不需要输入任何参数,通过迭代和极值点包络对信号进行分解,避免了WT人为输入小波基带来的影响,但是也存在模态混叠等不足。……