基于EEMD和Hilbert分析的滚动轴承故障诊断方法研究

作者:陈盼娣;吕跃刚 刊名:电力科学与工程 上传者:周丽媚

【摘要】滚动轴承在风电机组中广泛应用,其运行状态直接影响整台风机的性能。提出EEMD(总体平均经验模态分解)和Hilbert包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,但存在一些不足,易产生虚假分量和模态混叠现象。针对EMD分解方法的不足,引入改进型算法EEMD。首先将振动加速度信号进行EEMD分解,计算各阶IMF峭度值的大小,选择峭度值较大的IMF分量,利用Hilbert变换对其进行包络谱分析,提取故障特征频率,辨识滚动轴承故障。通过对实验采集的滚动轴承振动信号进行分析,证明了该方法的有效性和准确性。

全文阅读

70 第 29 卷第 9 期2013 年 9 月 电 力 科 学 与 工 程 Electric Power Science and Engineering Vol. 29,No. 9 Sep. ,2013 基于 EEMD 和 Hilbert 分析的滚动轴承故障诊断方法研究 陈盼娣,吕跃刚 ( 华北电力大学 控制与计算机工程学院,北京 102206) 摘要: 滚动轴承在风电机组中广泛应用,其运行状态直接影响整台风机的性能。提出 EEMD ( 总体平均经验模态分解) 和 Hilbert 包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,但存在一些不足,易产生虚假分量和模态混叠现象。针对 EMD 分解方法的不足,引入改进型算法EEMD。首先将振动加速度信号进行 EEMD 分解,计算各阶 IMF 峭度值的大小,选择峭度值较大的 IMF 分量,利用 Hilbert 变换对其进行包络谱分析,提取故障特征频率,辨识滚动轴承故障。通过对实验采集的滚动轴承振动信号进行分析,证明了该方法的有效性和准确性。 关键词: 滚动轴承; 故障诊断; EEMD 分解; Hilbert 包络分析 中图分类号: TK83 文献标识码: A DOI: 10. 3969/j. issn. 1672-0792. 2013. 09. 014 收稿日期: 2013 -07 -09。作者简介: 陈盼娣 ( 1988-) ,女,硕士研究生,主要研究方向为风力发电机组状态监测与故障诊断技术,E-mail: 601709302 @ qq. com。 0 引言 风电场地处偏远,所处环境恶劣,机组易发生故障。对风电机组进行实时状态监测和故障诊断,能在不停机状态下实现对运行设备的监控。滚动轴承在风电机组中广泛应用,据不完全统计,旋转机械故障约 30% 是因滚动轴承引起的[1],因此有必要对滚动轴承进行状态监测。本文提出基于 EEMD 包络解调的方法,对振动加速度信号先EEMD 分解后再进行包络解调,提取故障频率,后对比公式计算所得的轴承特征频率,辨识滚动轴承故障程度及部位。通过实验证实了这种方法能准确诊断滚动轴承故障。 1 经验模态分解 ( EMD) 经验模态分解通过对非线性、非平稳信号的分解获得一系列表征信号特征时间尺度的固有模态函数 ( IMF 分量) 。每个 IMF 分量必须满足以下两个条件: 整个信号中零点数与极点数相等或 至多相差 1; 信号上任意一点,由局部极大值点确定的包络线和由局部极小值点确定的包络线的均值为零[2]。EMD 分解流程图如图1 所示。 图 1 EMD 分解流程图 Fig. 1 Flow chart of EMD decomposition 第 9 期 陈盼娣,等 基于 EEMD 和 Hilbert 分析的滚动轴承故障诊断方法研究 71 对信号 x( t) 进行 EMD 分解的具体步骤如下: ( 1) 将 x( t) 上所有的极大值点和极小值点分别用三次样条曲线连接起来,这两条曲线分别作为 x ( t) 的上下包络线,计算出它们的平均值曲线 m1( t) ,计算得到新数据数列: h1( t) = x( t) - m1( t) ( 1) 如果 h1( t) 不满足 IMF 的两个条件,将 h1( t) 作为原信号重复以上步骤,筛选 k 次直到 h1k( t) 变为一个 IMF 分量为止,即 h1k( t) = h1( k -1) ( t) - m1k( t) ( 2) 从原信号中分解得到一阶 IMF 分量,记 C1( t) = h1k( t) ( 3) (

参考文献

引证文献

问答

我要提问