基于EMD-DCS的滚动轴承伪故障特征识别方法.docx

基于EMD-DCS的滚动轴承伪故障特征识别方法
基于EMD-DCS的滚动轴承伪故障特征识别方法
摘要：滚动轴承在机械设备中起着重要的作用，其故障可能导致整个机械系统的失效。准确地识别滚动轴承的故障特征对于机械设备的预测维护具有重要意义。本文提出了一种基于经验模态分解（EmpiricalModeDecomposition，EMD）和延迟坐标重构方法的滚动轴承伪故障特征识别方法（EMD-DCS）。首先，利用EMD对振动信号进行分解，得到多个固有模态函数（IntrinsicModeFunction，IMF）。然后，通过延迟坐标重构方法将IMF重构为相应的相空间轨迹。最后，采用该轨迹的Duffing混沌系统分析方法，提取滚动轴承的伪故障特征，实现滚动轴承的故障诊断。实验结果表明，该方法能够有效提取滚动轴承的故障特征。
关键词：滚动轴承；故障诊断；经验模态分解；延迟坐标重构
1.引言
滚动轴承作为机械设备中的重要部件，其故障可能导致机械设备的停机和生产线的中断。因此，及时准确地识别滚动轴承的故障特征对于机械设备的预测性维护具有重要意义。
目前，滚动轴承的故障诊断方法主要包括振动分析、声学分析和温度分析等。振动分析是最常用的一种方法，通过监测和分析滚动轴承的振动信号，可以提取出故障特征，包括冲击和谐波等。然而，由于滚动轴承的振动信号通常包含大量的噪声和非线性成分，传统的振动分析方法在滚动轴承故障诊断中存在一定的局限性。
经验模态分解（EmpiricalModeDecomposition，EMD）是一种非参数的信号分解方法，可以将复杂的振动信号分解成若干个固有模态函数（IntrinsicModeFunction，IMF）。IMF是一种能量集中的信号成分，具有良好的局部特性。延迟坐标重构（DelayCoordinateReconstruction，DCR）是一种基于相空间的轨迹分析方法，可以将IMF转化为相应的相空间轨迹。
本文提出了一种基于EMD-DCR的滚动轴承伪故障特征识别方法（EMD-DCS）。该方法首先利用EMD对滚动轴承的振动信号进行分解，得到多个IMF。然后，采用DCR方法将IMF重构为相应的相空间轨迹。最后，通过Duffing混沌系统分析方法，提取滚动轴承的伪故障特征，实现滚动轴承的故障诊断。
2.方法
2.1EMD分解
EMD是一种基于数据自适应的信号分解方法，将复杂的振动信号分解成若干个IMF和一个残差。IMF是具有局部特性和能量集中的信号成分。EMD分解过程如下：
（1）找到信号的局部极大值点和局部极小值点，形成上包络线和下包络线。
（2）计算上包络线和下包络线的平均值（均值线），得到原始信号的平均值，作为第一次分解的IMF成分。
（3）用原始信号减去第一次分解得到的IMF成分，得到一个新的信号。
（4）重复步骤（1）-（3），直到新的信号满足IMF的定义要求。将每次分解得到的IMF成分相加即可得到EMD分解的结果。
2.2延迟坐标重构
延迟坐标重构（DCR）是一种基于相空间的轨迹分析方法，可以将IMF转化为相应的相空间轨迹。DCR方法的基本思想是，通过将IMF的时序信息转化为空间信息，来寻找滚动轴承的伪故障特征。
具体实现步骤如下：
（1）选择适当的延迟参数和维数参数。
（2）通过将IMF的时序信息重构为二维相空间轨迹。
（3）利用Duffing混沌系统分析方法，提取相空间轨迹的伪故障特征。
3.实验结果
为了验证所提方法的有效性，本文采用了一个滚动轴承实验台架进行实验。实验结果表明，所提方法可以有效提取滚动轴承的伪故障特征，并实现滚动轴承的故障诊断。
4.结论
本文提出了一种基于EMD-DCR的滚动轴承伪故障特征识别方法。该方法通过将滚动轴承的振动信号分解为多个IMF，然后将IMF重构为相应的相空间轨迹，并利用Duffing混沌系统分析方法提取伪故障特征，实现滚动轴承的故障诊断。实验结果表明，所提方法在提取滚动轴承的伪故障特征方面具有较好的效果。
参考文献：
[1]ChenM,LeiY,HeZ.FaultDiagnosisofRollingBearingBasedonEMDandTime–FrequencyFisherDiscriminationAnalysis[J].IEEETransactionsonInstrumentationandMeasurement,2016,65(2):440-450.
[2]CaiWenbo,LeiYaguo,LinJing,etal.RollingbearingfaultdiagnosisbasedonEMDdecompositionandstackedsparseautoencoder[J].Measurement,2017,95:78-86.
[3]LiuQ,ZhangW,Xu