张 辉,张 超*,辛 阔,田 帅

(1.内蒙古科技大学 机械工程学院,内蒙古 包头 014010;2.内蒙古自治区机电系统智能诊断与控制重点实验室,内蒙古 包头 014010)

0 引 言

滚动轴承是应用最广也是最易被损坏的零件之一,许多机械发生故障的原因与轴承故障有密切的联系[1-3]。因此,如果可以及早地发现轴承故障,将能在很大程度上确保设备运行的安全性[4]。

由于采集到的信号噪声干扰严重,如何在强噪声信号中准确地提取故障特征,成为众多学者研究的问题[5]。

基于经验模态分解的方法在处理振动信号方面具有广泛的应用。杨建华等[6]研究了强噪声背景下滚动轴承微弱故障特征信号的经验模态分解。汪朝海等[7]提出了基于经验模态分解和主成分分析的滚动轴承故障诊断研究。但是,使用经验模态分解处理振动信号方面存在许多不足,诸如:端点效应、模式混叠和虚假分量等。

因此,又有很多学者在此基础上提出了许多优化方法,比如:梁冶华等[8]提出了基于集合经验模态分解和CS-SVM的滚动轴承故障诊断研究。AMAROUAYACHE I I E等[9]提出了一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法。GE J H等[10]提出了一种基于EEMD-WSST信号重构及多尺度熵的信号处理方法。但是这些方法在本质上依然是经验方法,因而缺乏严格的数学依据。

近几年,SINGH P等[11]为了解决经验模态分解出现的模态混叠的问题,提出了傅里叶分解方法(FDM),用于处理非平稳非线性信号。刘晓波等[12]首先使用FDM对航空发动机的转子进行了故障诊断,证明了该方法具有较高的诊断可靠性。……