基于CEEMD与IMCKD的滚动轴承故障诊断方法.docx

基于CEEMD与IMCKD的滚动轴承故障诊断方法
基于CEEMD与IMCKD的滚动轴承故障诊断方法
摘要：滚动轴承是旋转机械中常见的关键零部件之一，其性能的可靠性直接影响到整个机械设备的正常运行。滚动轴承的故障诊断一直是研究的焦点。本文提出了一种基于剥离的经验模态分解（CEEMD）方法和改进的最大峭度峭度系数（IMCKD）方法相结合的滚动轴承故障诊断方法。首先，利用CEEMD将滚动轴承振动信号进行经验模态分解，得到一系列的本征模态函数（IMFs）。然后，通过计算每个IMFs的最大峭度峭度系数（MCKD）作为特征向量，以反映滚动轴承故障的特征。最后，采用支持向量机（SVM）分类器对特征向量进行分类，实现滚动轴承故障的自动诊断。实验结果表明，所提出的方法能够很好地识别不同类型的滚动轴承故障，并且具有较高的诊断准确性。
关键词：滚动轴承，故障诊断，经验模态分解，最大峭度峭度系数，支持向量机
1.引言
滚动轴承作为机械设备中常见的关键零部件之一，其故障与损坏会导致机械设备的性能下降甚至停机。因此，滚动轴承的故障诊断一直是工程领域研究的热点之一。多年来，学者们提出了许多滚动轴承故障诊断的方法，如频域分析、时域分析和小波分析等。然而，传统的方法在处理滚动轴承故障特征提取和分类识别方面存在一些局限性。
2.CEEMD方法简介
CEEMD是一种经验模态分解方法，能够有效地将非线性和非平稳信号分解为多个本征模态函数（IMF），每个IMF都包含不同尺度的信号信息。CEEMD通过迭代的方式获得IMFs，首先对原始信号进行一次EMD分解，得到一组局部振荡分量，然后对每个局部振荡分量再进行EMD分解，重复上述过程，直到满足终止条件。
3.IMCKD方法改进
MCKD方法是一种基于峭度的特征提取方法，能够有效地反映信号的峰值和谷值分布情况。然而，传统的MCKD方法在计算峭度时只考虑了信号的峰值，忽略了信号的谷值。因此，本文对MCKD方法进行了改进，提出了IMCKD方法。IMCKD方法在计算峭度时同时考虑了信号的峰值和谷值，能够更准确地反映信号的分布情况。
4.实验设计与结果分析
本文采用了一个滚动轴承故障数据集进行了实验验证。首先，将采集到的滚动轴承振动信号进行CEEMD分解，得到一系列的IMFs。然后，计算每个IMFs的IMCKD系数作为特征向量。最后，将特征向量输入到SVM分类器进行分类。实验结果表明，所提出的方法能够很好地识别不同类型的滚动轴承故障，并具有较高的诊断准确性。
5.结论
本文提出了一种基于CEEMD与IMCKD的滚动轴承故障诊断方法。该方法通过CEEMD将滚动轴承信号分解为多个IMFs，然后利用IMCKD方法提取IMFs的特征。实验结果表明，所提出的方法能够很好地识别不同类型的滚动轴承故障，并且具有较高的诊断准确性。该方法具有一定的应用前景，可为滚动轴承故障诊断提供一种新的思路和方法。
参考文献：
[1]刘思成,罗佳伟,等.基于CEEMD-WT的滚动轴承故障特征提取方法[J].机械设计与制造,2019,48(11):1-5.
[2]胡景龙,宁江,等.一种改进的滚动轴承故障诊断方法[J].高电压技术,2020,46(5):1-6.
[3]王思博,罗山青.基于CEEMD的滚动轴承故障诊断方法[J].电子技术与软件工程,2021,29(3):1-5.