基于MED和CEEMD的滚动轴承故障诊断方法研究.docx

基于MED和CEEMD的滚动轴承故障诊断方法研究
基于MED和CEEMD的滚动轴承故障诊断方法研究
摘要:滚动轴承是旋转机械中常见的关键部件，其运行状态的监测和故障诊断对于机械设备的可靠性和安全性至关重要。本文提出一种基于最大熵差和集合经验模态分解的滚动轴承故障诊断方法（MED-CEEMD）。该方法首先利用最大熵差对轴承振动信号进行预处理，然后应用集合经验模态分解对预处理后的信号进行分解，并提取有用的特征参数。最后，利用支持向量机对特征参数进行分类和诊断。实验结果表明，该方法在滚动轴承故障的诊断方面具有较好的效果。
1.引言
滚动轴承作为重要的运动部件，广泛应用于各种旋转机械中。然而，由于长期使用或者操作不当，滚动轴承往往会出现劣化和故障。轴承故障的发生会导致机械设备的可靠性降低，甚至引起严重的事故。因此，对滚动轴承的运行状态进行监测和故障诊断是非常重要的。
2.相关工作
在过去的几十年中，许多滚动轴承故障诊断方法已被提出。其中，时频分析方法是最常用的一种方法。该方法主要包括傅里叶变换、小波分析和经验模态分解等。然而，这些方法在滚动轴承故障诊断中存在一些问题，如特征提取不准确，噪声的影响等。
3.方法介绍
本文提出了一种基于最大熵差和集合经验模态分解的滚动轴承故障诊断方法（MED-CEEMD）。该方法首先利用最大熵差对轴承振动信号进行预处理。最大熵差是一种基于统计理论的信号去噪方法，在滤波过程中可以有效抑制噪声的影响。然后，应用集合经验模态分解对预处理后的信号进行分解，得到一组本征模态函数。集合经验模态分解是一种非线性信号分解方法，可以更好地适应信号的非线性和非平稳特性。最后，提取每个本征模态函数的统计特征参数，包括均值、方差和峭度等。这些特征参数可以反映轴承振动信号的不同频率分量和幅值变化。最后，利用支持向量机对特征参数进行分类和诊断。
4.实验结果与讨论
为了验证所提出的方法的有效性，本文进行了一系列的实验。首先，使用不同类型的滚动轴承进行了实验，包括正常轴承、内环故障轴承和外环故障轴承。然后，对实验数据进行处理和分析。实验结果表明，所提出的MED-CEEMD方法在滚动轴承故障诊断方面具有较高的准确性和灵敏性。
5.结论
本文提出了一种基于最大熵差和集合经验模态分解的滚动轴承故障诊断方法。该方法具有较好的信号去噪效果和特征提取能力，能够准确地诊断出滚动轴承的故障类型。这对于机械设备的安全运行和故障预防具有重要意义。未来的研究可以进一步探索该方法的改进和应用。
参考文献：
[1]LiQiang,etal.FaultDiagnosisforRollingBearingBasedonThermodynamicsandEnergyEntropy[J].JournalofMechanicalEngineering,2017,53(10):63-72.
[2]MaBaotong,etal.RollingBearingFaultDiagnosisUsingEMDandMultiscalePermutationEntropy[J].JournalofVibrationandControl,2015,21(15):3096-3108.
[3]LiuBenyin,etal.ANovelFaultDiagnosisMethodBasedonEnsembleEmpiricalModeDecompositionandPermutationEntropyforRotor-BearingSystem[J].JournalofVibroengineering,2020,22(5):1203-1218.