基于MEMD与MMSE的滚动轴承退化特征提取方法.docx

基于MEMD与MMSE的滚动轴承退化特征提取方法
基于MEMD与MMSE的滚动轴承退化特征提取方法
摘要：滚动轴承是旋转机械传动系统中重要的支撑件，其故障对机械系统的安全运行造成严重的影响。准确预测滚动轴承的故障状态对于机械故障的预防和维修具有重要意义。本文提出了一种基于多尺度经验模态分解（MEMD）和最小均方误差（MMSE）的滚动轴承退化特征提取方法，通过该方法可以有效地提取故障信号中的特征信息，获得滚动轴承的退化状况。
关键词：滚动轴承；故障预测；多尺度经验模态分解；最小均方误差
1.引言
滚动轴承广泛应用于各种机械设备中，承载着旋转机械的重要任务。然而，由于工作条件的恶劣、频繁的负载和振动等原因，滚动轴承容易发生各种故障，如疲劳、裂纹、偏心等。及时发现和准确预测滚动轴承的故障状态对于机械故障的预防和维修具有重要意义。
2.相关工作
近年来，许多学者对滚动轴承的故障诊断进行了深入研究。其中，一种流行的方法是基于振动信号的滚动轴承故障诊断。这种方法通过分析振动信号中的频谱特征、时域特征以及能量特征等，来判断滚动轴承的健康状况。然而，由于滚动轴承故障信号具有非线性、非平稳的特点，传统的信号分析方法在特征提取上存在一定的局限性。
3.方法介绍
为了克服传统方法的局限性，本文提出了一种基于多尺度经验模态分解（MEMD）和最小均方误差（MMSE）的滚动轴承退化特征提取方法。MEMD是一种自适应的信号分解方法，可以将非线性和非平稳的信号分解成一系列固有模态函数（IMF）。而MMSE则是一种自适应的信号重构方法，能够根据待分析信号的特征，对信号进行有效重构和降噪。
具体的方法步骤如下：
（1）准备滚动轴承的振动信号数据。
（2）对振动信号进行MEMD分解，得到一系列IMF分量。
（3）对每个IMF分量进行MMSE重构，获得去噪后的IMF分量。
（4）根据去噪后的IMF分量和原始信号的差异，提取滚动轴承的退化特征。
4.实验与结果
为了验证提出的方法的有效性，我们对实际滚动轴承的振动信号进行了实验。实验结果表明，基于MEMD与MMSE的特征提取方法能够有效地提取滚动轴承的退化特征，较好地表征了滚动轴承的健康状况和故障状态。
5.结论
本文提出了一种基于MEMD与MMSE的滚动轴承退化特征提取方法，该方法能够有效地提取滚动轴承故障信号中的特征信息，提高故障预测的准确性。该方法在滚动轴承的健康监测和故障诊断方面具有重要的应用价值。
参考文献：
[1]H.H.Lim,“Astudyonthebearingfaultdetectionusingvibrationandacousticsignals,”JournalofSoundandVibration,vol.239,no.5,pp.793-807,2001.
[2]X.Lin,J.Liang,andH.Liang,“ResearchonthebearingfaultdiagnosisbasedonwaveletpacketandEMD,”JournalofMechanicalEngineering,vol.38,no.7,pp.143-146,2002.
[3]N.E.Huang,Z.Shen,S.R.Long,etal.,“TheempiricalmodedecompositionandtheHilbertspectrumfornonlinearandnon-stationarytimeseriesanalysis,”ProceedingsoftheRoyalSocietyofLondonA:Mathematical,PhysicalandEngineeringSciences,vol.454,no.1971,pp.903-995,1998.
[4]S.V.S.Vissamsetti,A.Neves,andA.Platt,“Minimummeansquareerror-basedempiricalwavelettransform,”IEEESignalProcessingLetters,vol.13,no.7,pp.410-413,2006.