基于EEMD的滚动轴承振动故障特征提取与诊断研究的中期报告.docx

基于EEMD的滚动轴承振动故障特征提取与诊断研究的中期报告
一、研究背景
滚动轴承是旋转机械中最常用的一种元件，其性能直接影响到机械系统的可靠性、稳定性和寿命。因此，滚动轴承故障诊断一直是一个热门研究方向。目前，基于振动信号的滚动轴承故障诊断方式已经得到了广泛应用。滚动轴承振动信号中所含的故障特征可以通过频谱分析、时域分析、小波分析以及相关分析等方法提取。然而，现有的这些方法都有其局限性，例如频谱分析只能提取单一频率的信息，无法对信号中复杂变化的信息进行分析；时域分析则无法提取滚动轴承故障频率之外的其他特征。因此，如何提高滚动轴承振动故障诊断的准确性和可靠性，仍然是一个亟待解决的问题。
二、研究目的
本研究旨在探究基于经验模态分解（EEMD）的滚动轴承振动故障特征提取方法，进而实现滚动轴承的故障诊断。具体研究内容如下：
1.运用EEMD方法对滚动轴承振动信号进行分解，得到一组固有模态函数（IMF）。
2.利用IMF进行特征提取，探究其对滚动轴承故障的敏感度。
3.开展滚动轴承模拟故障实验，通过分析其振动信号，验证和评价所提出的故障诊断方法的准确性和有效性。
三、研究方法
1.EEMD分析方法：EEMD是一种非线性信号分解方法，其可以将信号分解成多个固有模态函数（IMF）。由于IMF是由信号本身的特征来决定的，因此其分解结果更加准确，可以更好地反映信号的本质特征。
2.特征提取方法：利用IMF进行特征提取，包括均值、标准差、峰值因子、脉冲因子、裕度指数等特征参数。
3.故障诊断方法：结合数据挖掘技术，采用支持向量机（SVM）进行模式识别，以实现滚动轴承故障的自动诊断和分类。
四、研究进展
1.已完成滚动轴承振动信号的采集和预处理工作。
2.运用EEMD方法对滚动轴承振动信号进行分解，得到多个IMF分量。
3.利用IMF进行特征提取和维数约简，得到一组特征向量。
4.开展滚动轴承模拟故障实验，采集故障状态下的振动信号，并通过分析IMF分量和特征向量，实现了对滚动轴承故障的自动诊断和分类。
5.目前正在进一步优化EEMD和特征提取方法，以进一步提高滚动轴承故障诊断的准确性和可靠性。
五、研究意义
1.本研究提出了一种基于EEMD的滚动轴承振动故障特征提取方法，从而可以更准确地提取滚动轴承振动信号中所含有的故障特征。
2.采用支持向量机进行模式识别，实现了滚动轴承故障的自动诊断和分类，进一步提高了诊断的效率和准确性。
3.该研究成果对于提高滚动轴承的可靠性和稳定性具有重要意义，对于机械设备的安全运行和降低维修成本具有重要价值。