基于MED和CEEMD的滚动轴承故障诊断方法研究

作者:张洪梅;邹金慧; 刊名:陕西理工大学学报(自然科学版) 上传者:孙晓光

【摘要】针对滚动轴承在噪声背景下故障特征信息难以提取的问题,提出了一种基于最小熵解卷积(MED)和互补集合经验模态分解(CEEMD)结合的滚动轴承故障诊断方法。首先对振动信号采用MED进行降噪处理,增强信号中的冲击特征;然后对降噪信号利用CEEMD分解获得一组内禀模态函数(IMF)分量,并通过敏感度评估算法剔除虚假IMF分量信号,选取表征故障特征的敏感分量信号进行重构;最后对重构信号进行Teager能量谱分析,提取故障特征信息。通过对滚动轴承外圈和内圈振动信号的实验分析,验证了所提方法的有效性。

全文阅读

滚动轴承是旋转机械中易发生故障的部件之一,当其发生故障将影响设备的正常运行,甚至造成人员伤亡和经济损失,故对滚动轴承进行故障诊断具有重大的现实意义[1]。在实际工况中,滚动轴承由于受工作环境和传输路径等因素影响,振动信号中的故障特征信息通常会被噪声所掩盖,无法准确地获取故障特征,从而增大了滚动轴承故障诊断的难度。因此,采取合适的方法将轴承故障特征从噪声中提取出来至关重要[2]。经验模态分解(Empirical Mode Decomposition,EMD)是一种时频分析方法,能将复杂信号自适应地分解为一组具有信号局部特征的IMF分量信号,在分析非线性、非平稳的信号方面具有明显的优势,广泛应用于故障诊断领域[3-4],但其存在一些缺点,特别是模态混叠问题。针对这一问题,Wu等[5]在信号EMD分解前加入白噪声序列,首次提出了集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),有效抑制了模式混叠。但加入的白噪声会残留在分量信号中,造成信号的重构误差[6]。为了减少信号的重构误差,提出了互补集合经验模态分解(Complementary Ensemble Empirical Mode Decom-position,CEEMD)[7-8]。王丽华等[9]将CEEMD和小波包变换相结合用于提取滚动轴承的故障特征频率,对信号CEEMD分解后再采用小波包变换进行修正,取得了良好的效果。赫彬等[10]利用独立分量分析对振动信号进行信噪分离,然后使用CEEMD分解信号,提升了去噪效果和性能指标。王栋等[11]利用包络解调随机共振增强信号的故障特征,然后采用CEEMD分解获得信号的故障特征分量,有效提取出了噪声背景下的微弱故障信号。虽然CEEMD在分解信号方面具有明显的优势,但其分解所得的IMF分量在本质上仍然是故障信号与传输路径卷积的结果,分量信号中存在噪声干扰。因此,需对信号做降噪预处理,增加信号中的故障特征。滚动轴承发生故障时,会产生周期性的冲击信号,而峭度对冲击成分非常敏感,最小熵解卷积(Minimumentropy deconvolution,MED)是一种以最大峭度值为优化目标的自适应降噪方法[12-14],不仅能减弱传输路径对信号的影响,而且增强了信号中的冲击特征,适用于提取冲击成分。本文提出一种MED和CEEMD相结合的方法分析轴承故障。首先利用MED对振动信号进行降噪处理,然后将降噪信号进行CEEMD分解,得到一组IMF分量,并通过敏感度评估算法筛选分量进行信号重构,最后分析重构信号的Teager能量谱,提取滚动轴承的故障特征。1最小熵解卷积最小熵解卷积是最早由Wiggins等[15]在1978年提出的一种自适应盲卷积降噪方法。其原理是通过寻求最优滤波器,以最小熵为目标,最大程度地还原稀疏尖峰脉冲信号。假设滚动轴承发生故障时,传感器采集到的信号表达为y(n)=h(n)x(n)+e(n),(1)式中e(n)为噪声,x(n)为滚动轴承的故障冲击信号,h(n)为传输路径对信号的影响,y(n)为采集到的振动信号。滚动轴承的故障冲击信号x(n)经过环境噪声和传输路径因素的影响后,采集到的振动信号y(n)就失去源信号的特性,使得信号的熵变大。解卷积的目的是得到一个逆滤波器f(n),使得采集到的振动信号y(n)恢复为滚动轴承的故障冲击信号x(n)所具有的特性,消除传输路径和噪声对信号的影响,信号的熵变为最小。采用信号x(n)的范数衡量熵值的大小,范数最大时熵最小,滤波器f(n)即为最优滤波器,即x(n)=f(n

参考文献

引证文献

问答

我要提问