基于EEMD和Laplace小波的滚动轴承故障诊断

作者:李昌林;孔凡让;黄伟国;陈辉;王超;袁仲洲 刊名:振动与冲击 上传者:葛鹏

【摘要】滚动轴承故障导致振动信号中出现多阶模态冲击响应,为了提取单阶模态冲击响应的模态参数,由于Laplace小波相关滤波受多阶模态冲击响应的影响,提出一种基于EEMD和Laplace小波的滚动轴承故障诊断方法。先用EEMD把振动信号中的多阶模态脉冲响应分解为各单阶模态冲击响应分量,然后用从分解的分量的频谱中选取所需的单阶模态冲击响应分量,再用Laplace小波相关滤波对选取的单阶模态冲击响应分量进行分析,便可以诊断出故障。通过对仿真信号和滚动轴承内圈、外圈、滚动体数据分析很好地验证了提出的方法的有效性。

全文阅读

振动信号是旋转机械设备动力学特征的外在表现形式,可以有效地对机械设备进行状态监测和故障诊断[1]。当旋转机械设备出现故障时,冲击响应信号出现在振动信号中。如何在强大的工频振动、谐波振动和背景噪声中提取冲击响应信号的发生时刻、振荡频率和阻尼比等参数对设备故障的诊断和定位至关重要。因此,冲击响应信号的提取对旋转机械故障诊断意义重大[2-3]。振动信号具有非高斯、非平稳性,传统傅里叶变换适用于线性信号,分析信号是周期性的、平稳的,否则分析的频谱没有物理意义,在非平稳信号处理方面已经逐渐被小波变换所取代,但小波变换存在小波基和确定阈值等问题[4]。Huang等[5]提出了一种非平稳信号分析方法——经验模态分析(Empirical Mode Decom-position,EMD),基于数据驱动的方法来处理非平稳性、非线性信号,把信号从高频到低频分解成若干个固有模态分量(Intrinsic Mode Function,IMF)和余量之和。近年来EMD已应用于各种领域,例如机器故障检测和建筑结构损伤检测[6-7]、滤波和降噪[8-9]、生物科学[10],但EMD存在模态混叠问题。模态混叠是指1个IMF(分量中包含差异很大的特征时间尺度,或者相近的特征时间尺度分布在不同的IMF分量中,为了抑制模式混叠,Huang等提出了集合经验模式分解(Ensem-ble Empirical Mode Decomposition,EEMD),EEMD是一种噪声辅助的数据分析方法,能够很好地还原信号的本质,对EMD算法的重大改进[11-12]。此后有学者对EEMD进行了研究,取得不错成果。曹帅锋等[9]对大型旋转机械非平稳振动信号用EEMD进行降噪,弥补了小波降噪方法对调频调幅信号处理过程中存在的特征波形匹配缺陷,又克服了EMD降噪方法对脉冲干扰下振动信号滤波能力的不足。刘义艳等[13]将EEMD和SVR结合可以准确地、高精度地预测单自由度结构渐进损伤趋势。彭畅等[14]将故障信号进行分解得到一组IMFs,然后用度量因子筛选出最能表征故障信息的IMF分量重构信号,再用快速谱峭度图选择最优带通滤波器,最后将滤波后的重构信号进行包络分析,有效地诊断出故障。Laplace小波相关滤波法能够在强大噪声或者其它干扰中准确捕捉脉冲响应信号,若振动信号中出现多阶模态冲击响应,Laplace小波相关滤波法存在不足。本文提出的基于EEMD和Laplace小波的滚动轴承故障诊断方法,通过对仿真信号和滚动轴承内圈、外圈、滚动体数据分析很好地验证了提出的方法的有效性。1集合经验模态分解1.1经验模态分解经验模态分解方法能够很好地处理非平稳、非线性信号,与小波变换和其它的时频分析方法相比,这种方法具有许多优点。比如它是直观的、直接的、后验的和自适应的,其根本原因在于这种变换是基于数据本身的一种分解,而不是基于事先设定好的基函数,所以它具有很好的自适应性[15]。EMD把一个信号x(t)分解为若干个固有模态分量和余量之和:x(t)=∑ni=1ci+rn(1)EMD的缺点之一就是模态混叠,使得固有模态分量的物理意义不清楚,错误地显示了信号的时频分布。Huang等[11]认为模式混叠是信号的间歇现象,与极值点的选择有关。用一个仿真信号验证EMD存在模态混叠现象,如图1所示,x1(t)是10 Hz的正弦波,x2(t)是间歇信号,x(t)是x1(t)和x2(t)的合成。用EMD对信号x(t)进行分解,可以获得第一阶固有模态分量c1、第二阶固有模态分量c2、第三阶固有模态分量c3,r3是余量,如图2所示。在第一阶固有

参考文献

引证文献

问答

我要提问