基于ATVFD和EEMD的滚动轴承故障特征频率提取方法研究.pdf

《基于ATVFD和EEMD的滚动轴承故障特征频率提取方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、l68化工自动化及仪表第4l卷基于ATVFD和EEMD的滚动轴承故障特征频率提取方法研究段玉波杨文涛刘继承蒋锐(东北石油大学，黑龙江大庆163318)摘要经验模式分解和集合经验模式分解方法存在模态混叠和端点效应问题，难以有效提取故障特征频率。为此，提出一种基于自适应时变滤波分解和集合经验模式分解相结合的新方法，该方法结合了自适应时变滤波分解方法分解精度高、抑制边界效应，以及集合经验模式分解避免模态混叠的优点，通过时频分析法边际谱有效地提取出故障特征频率。关键词经验模式分解集合经验模式分解自适应时

2、变滤波分解时频分析法轴承故障诊断中图分类号TH133．33文献标识码A文章编号1000-3932(2014)02-0168-05滚动轴承是旋转机械中应用最广泛的基本组明，笔者提出的方法能够应用于滚动轴承的故障成部件，也是易损零件，据统计，机械故障中70％诊断]。是振动故障，其中30％的故障都与滚动轴承有1HHT基本原理关，轴承的使用周期过短会影响机械设备的正HHT方法分析信号有两个基本步骤：常生产]。旋转机械在生产运行中其振动信号是a．使用EMD分解把信号分解成固有模态函混在强噪声环境下的非平稳

3、随机信号，传统的傅数(IntrinsicModeFunction，IMF)，其需要满足两里叶变换并不能满足针对这类非线性、非平稳信个条件，即在整个数据中，其极值点个数和过零点号的分析需要。1998年由HuangNE等提出一的数目相等或最多差一个；在任意点，由局部极大种新的时频分析法(Hilbert．HuangTrans~rm，值构成的上包络和由局部极小值构成的下包络的HHT)，能够有效地对非线性、非平稳信号进行分均值必须为零。析，同时具有良好的自适应性。HHT在机械故b．对IMF进行Hilber

4、t时频谱和边际谱分障诊断领域已得到广泛的应用，并取得了良好的析。效果，但存在一些不足，如HHT的核心内容经验1．1EMD算法原理模式分解(EmpiricalModeDecomposition，EMD)产对于信号(t)，计算所有信号的极大值和极生模态混叠，影响分析结果。为了克服这一缺点，小值，用三次样条插值函数拟合出上包络线u(t)WUZH和HuangNE提出了EMD方法的改和下包络(f)，得到平均曲线：进——集合经验模式分解(EnsembleEmpirical1m。(t)=÷[u(t)+(t)]

5、(1)ModeDecomposition，EEMD)，利用高斯白噪声具有频率均匀分布的统计特性，使信号在不同尺度从而得到第一个IMF分量h．(t)：上具有连续性，从而有效地解决了模态混叠问h1(￡)=(t)一m1(t)(2)题。但是，EEMD算法中核心方法依旧是EMD这时^，(t)可能不满足IMF定义，需要再次方法，其端点效应问题仍旧存在而且计算速度和筛选：精度不高。笔者提出一种基于自适应时变滤波分hll：hl(t)一mtl(t)(3)解(AdaptiveTimeVaryingFilterDec

6、omposition，重复式(3)直到满足筛选停止准则0．2

7、(t)(5)此时h。就是第一个IMF分量，表示为(ti~2=÷()(14，C(t)=h。(t)，则残余信号为：利用式(11)可以得到信号各局部极值点处r。(t)：()一C1(t)(6)的局部均值m(0)、m(t。)、m(t：)，⋯，m(t)，再使以r。作为待分析信号，重复以上步骤直到所用三次样条插值函数对其进行曲线拟合得到局部得剩余部分为一单调信号或其值小于给定值时，均值m(t)，以后处理步骤与END相同。分解完毕，得到所有IMF分量C(t)、C，(t)、ATVFD算法在每次分解时只需进行一次曲

8、c(t)，⋯，C(t)以及残余分量(t)，这时信号线拟合，从而降低了计算量，加快了分解速度；另可表示为所有IMF分量和残余量之和：外，其局部均值不是由局部均值的包络所得，而是(t)=∑C+R(t)(7)在局部极值的基础上通过时变滤波器算法得到，1．2Hilbe~变换的时频谱与边际谱使分解结果更加精确；相比EMD算法，ATVFD算对各个IMF分量进行希尔伯特变换，可以得法的边界摆动有所改善。到解析信号(不考虑残余量)和其时频谱(信号幅2．2EEMD算法原理度在三维空间的时间一频率函数)为：在EMD