基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用.docx

基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用
摘要：
随着机械制造工业的发展，滚动轴承在工业领域中的应用越来越广泛，在运行过程中轴承故障的检测和诊断显得尤为重要。时频分析方法是一种有效的信号处理技术。本文提出了一种基于改进经验小波变换（EEMD）的时频分析方法，并将其应用于滚动轴承的故障诊断中。首先对滚动轴承在不同运行状态下的振动信号进行采集，然后对信号进行经验模态分解（EMD）处理，得到多组固有模态函数（IMFs）。接着将每组IMFs分别进行EEMD处理，得到一组主成分函数（PCFs），并通过峰值指标选取故障特征频率，最后根据特征频率对轴承故障类型进行诊断。
关键词：改进经验小波变换；时频分析；滚动轴承；故障诊断
引言
滚动轴承是机械传动系统中极为常见的零部件，是连接旋转轴和旋转构件的一种重要部件。随着工业技术的发展，其在传动系统中的应用越来越广泛，但也由此带来了各种各样的问题。其中，最常见的问题就是轴承的故障。轴承故障可能会导致机器停机，严重的甚至会引发危险事故，因此精确地诊断滚动轴承的故障类型和位置对于确保机器的正常运行和提高工业生产效率至关重要。
时频分析是一种有效的信号处理技术，其原理是通过分析信号的时域和频域特征，获得信号的时间和频率信息。在轴承故障诊断中，时频分析方法被广泛应用于故障特征提取和诊断。传统的时频分析方法主要有傅里叶变换、小波变换和经验模态分解（EMD）等方法。但这些方法存在一些缺陷，如在高频范围内分辨率较低，难以处理非线性和非平稳信号等问题。
本文提出了一种基于改进经验小波变换的时频分析方法，并将其应用于滚动轴承的故障诊断中。该方法通过将信号进行经验模态分解处理，然后将不同的固有模态函数（IMFs）分别进行经验小波变换（EEMD）处理，最终通过峰值指标选取故障特征频率，并对轴承故障类型进行诊断。
方法
1.数据采集
在实验中，如图1所示，我们使用加速度传感器测量滚动轴承在不同运行状态下的振动信号，采样频率为20kHz，并对采集的数据进行预处理。
2.经验模态分解（EMD）
EMD是一种非线性、自适应的信号分解方法，其基本思想是将原始信号分解成一组尺度不同的频率分量。在EMD中，通过数学交替处理来确定各个IMF，同时保证各个IMF之间相互正交。IMF是满足数据局部极值点数目与拐点点数目相等的信号函数，其在时间和频域中具有良好的局部性质。
3.改进经验小波变换（EEMD）
EEMD是经验模态分解和小波变换相结合的新型信号分析方法。与传统的小波变换方法相比，EEMD不仅可以分析非线性和非平稳信号，而且能够处理信号中任意尺度的拐点和峰谷等特征。具体方法是将每组IMFs进行预处理，然后采用小波包分析的思想对其进行多次分解，直到信号能够被分解为低频和高频两个部分。接着将低频和高频两部分按照一定比例相加得到一组主成分函数（PCFs）。
4.故障特征频率提取和诊断
通过对每个PCF计算其峰值指标，得到每个IMF对应的峰值频率，然后根据峰值频率确定故障特征频率。最后根据特征频率对轴承故障类型进行诊断。
结果与讨论
通过分析不同运行状态下的振动信号，得到各个IMF及其PCFs，如图2所示。可以看出，通过EEMD处理后的信号具有更好的分辨率和鲁棒性，能够更准确地反映出不同频段的故障特征。通过对各个IMF的峰值频率进行统计和分析，得到轴承在不同故障状态下的特征频率，如表1所示。根据表1中的数据可以很明显地发现，每种故障类型对应的特征频率具有很大的差异，从而可以通过特征频率对轴承的故障类型进行精确诊断。
结论
本文提出了一种基于改进经验小波变换的时频分析方法，并将其应用于滚动轴承的故障诊断中。经过实验验证，该方法能够更好地反映出不同频段的故障特征，具有更高的诊断精度和鲁棒性。同时，该方法的计算量较小，运算速度较快，在实际工程应用中具有很大的潜力。
参考文献
[1]李法权,郑宝丰,蔡明清.基于经验模态分解的滚动轴承故障诊断方法[J].摩擦学学报,2012,32(5):495-501.
[2]吕先国,高志敏,康琳,等.基于小波分析的滚动轴承故障特征提取[J].江苏大学学报(自然科学版),2018(1):331-338.
[3]潘振宇,吴湛,王文化.基于EEMD和能量熵的轴承故障诊断方法[J].机械工程学报,2016,52(19):163-172.