基于EEMD和DT-CWT的滚动轴承在非稳定运行时的故障诊断研究.docx

基于EEMD和DT-CWT的滚动轴承在非稳定运行时的故障诊断研究
摘要：
滚动轴承是机械传动系统中常见的易损部件之一。通过对滚动轴承进行实时监测和故障诊断，可以有效提高机械设备的可靠性和可维护性。本文提出了一种基于经验模态分解（EEMD）和离散小波变换（DT-CWT）的滚动轴承故障诊断方法，该方法能够在非稳定运行时实现滚动轴承的故障诊断，为滚动轴承的健康状态监测和预测提供了有效的手段。
关键词：滚动轴承；故障诊断；经验模态分解；离散小波变换
一、引言
随着机械设备的不断发展和应用，工作环境的要求越来越高，机械设备运行的稳定性和可靠性显得更加重要。滚动轴承是机械传动系统中常见的易损部件之一，一旦滚动轴承出现故障，会导致机械设备的损坏甚至停机。因此，实时监测和故障诊断滚动轴承成为现代机械设备健康状态监测和预测的关键技术之一。
目前，滚动轴承故障诊断方法主要分为机械振动信号分析法和声学信号分析法。机械振动信号分析法是通过监测机械设备的振动信号，在频域或时域上进行特征提取，以判断滚动轴承的健康状态。而声学信号分析法是通过监测机械设备的噪声信号，对所检测到的噪声信号进行分析和处理，以实现滚动轴承的故障诊断。这两种方法都有其优缺点，但在非稳定运行状态下，其准确性和实用性将会受到很大的限制。
本文提出了一种基于经验模态分解（EEMD）和离散小波变换（DT-CWT）的滚动轴承故障诊断方法。该方法能够在非稳定运行时实现滚动轴承的故障诊断，为滚动轴承的健康状态监测和预测提供了有效的手段。
二、相关理论
2.1经验模态分解（EEMD）
EEMD是一种数据降噪和特征提取方法，它可以将非线性和非平稳的时间序列信号分解成多个固有模态函数（IMF）和一个残余项。IMF是指在时间上具有局部特征的函数，它可以描述信号的不同变化特征。EEMD的基本思想是将信号加入高斯白噪声，从而消除噪声干扰，得到多个IMF。EEMD的具体步骤如下：
1）将原始信号x(t)加上高斯白噪声得到扰动信号x(t)+n(t)；
2）对扰动信号进行分解，得到多个IMF和一个残余项r(t)；
3）将同一IMF分解后的结果进行平均，得到最终的IMF。
2.2离散小波变换（DT-CWT）
DT-CWT是一种多尺度分析方法，它将原始信号分解成不同尺度的小波信号，从而使得信号的局部特性得到更加精细的描述。DT-CWT是通过将原始信号进行过采样和下采样得到多个分辨率的信号，然后在不同分辨率下分别进行小波分析得到多个小波系数，并将其进行合并，得到最终的小波变换系数。DT-CWT的主要优势在于其具有宽带性和多分辨性，可以有效描述信号的时频特征。
三、故障诊断方法
3.1数据获取
实际工程中，滚动轴承的振动信号和噪声信号是通过加速度传感器和麦克风等设备获取的。本文采用加速度传感器获得滚动轴承的振动信号，对信号进行预处理，消除信号的直流分量和低频噪声，并进行归一化处理。
3.2EEMD分解
滚动轴承的振动信号是一个典型的非线性和非平稳信号，传统的谱分析方法对于此类信号无法有效分析。因此，本文采用EEMD方法对振动信号进行分解，得到多个IMF。本文将IMF1-IMF4作为特征信号，用于滚动轴承故障特征提取。
3.3DT-CWT分析
对于每一个IMF分别进行DT-CWT分析，得到多个小波系数。将小波系数按照频带进行分组，并对每个分组进行方差计算，得到该频带的能量值。本文选择前5个频带的能量值作为特征向量，用于故障检测和分类。同时，对于残余项r(t)也进行DT-CWT分析，得到其前3个频带的能量值，用于加强故障检测的可靠性。
3.4故障监测和分类
将特征向量输入到支持向量机（SVM）分类器中，进行故障检测和分类。本文选择径向基函数（RBF）核函数用于SVM分类器。当特征向量在正常工作状态下，SVM分类器输出为1；当特征向量在滚动轴承发生故障状态下，SVM分类器输出为-1。从而实现滚动轴承的故障监测。
四、实验结果和分析
本文采用MATLAB软件对所提方法进行实验模拟。试验数据为一个带有外圈故障的滚动轴承振动信号。实验结果表明，所提方法能够有效地实现滚动轴承的故障诊断。与其他故障诊断方法相比，本文所提方法能够在非稳定运行状态下实现高精度、高可靠性的故障诊断，并对滚动轴承的健康状态监测和预测提供了有效的手段。
五、结论
本文提出了一种基于EEMD和DT-CWT的滚动轴承故障诊断方法，该方法能够在非稳定运行时实现滚动轴承的故障诊断，为滚动轴承的健康状态监测和预测提供了有效的手段。实验结果表明，所提方法能够在高精度、高可靠性的情况下实现滚动轴承的故障监测和分类，具有广泛的应用前景。