基于EMD的轴承故障诊断的综述报告.docx

基于EMD的轴承故障诊断的综述报告
近年来，轴承故障诊断是机械领域的研究热点之一，轴承是一种重要的运动部件，直接关系到机械设备的可靠性和安全性。由于轴承故障往往是突发事件，所以对于轴承故障的诊断越来越受到了广泛的关注。EMD是一种基于信号处理的新方法，凭借其可信度高、适用性广等特点，逐渐被应用到了轴承故障的诊断研究中。本文将对基于EMD的轴承故障诊断的相关研究进行综述。
1.EMD基本原理
EMD，即经验模态分解，是由Huang等人于1998年提出的一种信号滤波方法，通过将复杂信号分解为一系列不同的本征模态函数(IMF)来实现信号的局部处理。其基本原理是通过分解信号中的局部频率和振幅变化来获得IMF。
2.基于EMD的轴承故障诊断方法
(a)EMD-SVM
支持向量机(SVM)是一种常用的分类器，由于其能够处理非线性和高维数据，越来越多地被运用到故障诊断领域中。EMD-SVM方法首先将轴承振动信号经过EMD分解，提取出若干个IMF分量作为训练样本。然后将训练样本提取特征，利用SVM分类器进行故障诊断。
(b)EMD-KNN
KNN算法是一种常见的分类器，基本思想是根据样本特征之间的距离进行分类。EMD-KNN方法首先将轴承振动信号经过EMD分解，提取出若干个IMF分量。然后对每个IMF分量提取特征，并计算与测试样本之间的距离。最后根据距离值进行故障分类。
(c)EMD-RBF神经网络
径向基函数(RBF)神经网络是一种具有很好分类性能的神经网络，它可以自适应地确定网络的输入特征和输出权值。EMD-RBF神经网络方法首先将轴承振动信号通过EMD分解，提取出来若干个IMF分量作为输入特征。然后，将输入特征传入RBF神经网络进行分类，最终给出故障结果。
(d)EMD-TSVM
TSVM方法是一种支持向量机的改进算法，它能够有效地处理不平衡样本和噪声干扰等问题，因此被广泛应用到各种分类问题中。EMD-TSVM方法首先将轴承振动信号通过EMD分解，提取出若干个IMF分量。然后将每个IMF分量映射到高维空间中，利用TSVM分类器进行分类。
3.结论
基于EMD的轴承故障诊断方法具有诊断准确度高、可靠性强等优点。通过EMD-SVM、EMD-KNN、EMD-RBF神经网络、EMD-TSVM等方法对轴承振动信号进行分析和处理，可有效地提取出轴承信号中的有用信息，对轴承进行实时监测和故障诊断。相信在未来的研究中，基于EMD的轴承故障诊断方法将得到更广泛的应用。