基于总体平均经验模态分解与1.5维谱的滚动轴承故障诊断方法.docx

基于总体平均经验模态分解与1.5维谱的滚动轴承故障诊断方法
基于总体平均经验模态分解与1.5维谱的滚动轴承故障诊断方法
摘要：滚动轴承是旋转机械中的重要部件，其状态对机械设备的正常运行和可靠性起着关键作用。因此，准确有效地进行滚动轴承故障诊断对于预防设备故障、减少维修费用和提高生产效率具有重要意义。本文提出了一种基于总体平均经验模态分解（EMD）与1.5维谱的滚动轴承故障诊断方法。首先，应用EMD将轴承振动信号分解为一系列固有模态函数（IMF），然后对每个IMF进行1.5维谱分析。最后，通过对谱分析结果进行特征提取和故障诊断，实现滚动轴承故障的自动诊断。
关键词：滚动轴承；故障诊断；经验模态分解；1.5维谱
1.引言
滚动轴承是机械设备中广泛应用的一种关键零部件，其负责承受和传递旋转机械载荷。然而，由于工作环境的恶劣和长期运转的疲劳,滚动轴承容易出现故障，导致机械设备的故障和损坏。因此，及时准确地进行滚动轴承故障诊断对设备的健康管理具有重要意义。
2.相关工作
传统的轴承故障诊断方法主要基于振动信号的时域特征和频域特征，如峰值、脉冲响应、包络谱等。然而，这些方法仅能提供对轴承故障的直接判断，无法提供详细的故障信息。为了提高诊断效果，一些研究者将其它信号处理方法引入到滚动轴承故障诊断中。
3.方法介绍
本文提出的滚动轴承故障诊断方法基于总体平均经验模态分解与1.5维谱分析。具体步骤如下：
3.1总体平均经验模态分解（EMD）
EMD是一种将原始信号分解为一系列固有模态函数（IMF）的自适应信号分解方法。IMF是在时间尺度上呈现出不同频率特征的信号。通过EMD将轴承振动信号分解为IMF后，可以更好地提取出轴承故障信号中的有用信息。
3.21.5维谱分析
1.5维谱由传统的二维谱和一维谱相结合，可以同时提取出信号的频率、幅值和相位等信息。在本文中，我们对每个IMF进行1.5维谱分析，以获得更全面的故障特征。
3.3特征提取和故障诊断
在1.5维谱分析的基础上，我们对谱分析结果进行特征提取。常用的特征包括均值、方差、峰值频率等。然后，通过对特征进行聚类和分类，可以实现滚动轴承故障的自动诊断。
4.实验与结果分析
为验证本文提出方法的有效性，我们进行了一系列的实验。实验结果表明，基于总体平均经验模态分解与1.5维谱的滚动轴承故障诊断方法在故障诊断准确性和鲁棒性方面表现出较好的性能。
5.结论
本文提出了一种基于总体平均经验模态分解与1.5维谱的滚动轴承故障诊断方法。该方法综合利用了EMD和1.5维谱分析的优势，能够提取出滚动轴承振动信号中的故障特征，实现自动故障诊断。实验结果证明了该方法的有效性和可行性。
参考文献：
[1]Li,X.Y.,&Liu,Y.L.(2013).ArollingbearingfaultdiagnosismethodbasedonEMDand1.5dimensionalspectrum.Mechanicalsystemsandsignalprocessing,39(1-2),77-89.
[2]Xu,H.,&Hu,J.(2016).Rollingbearingfaultdiagnosisusingensembleempiricalmodedecompositionand1.5-dimensionalspectrum.JournalofMechanicalScienceandTechnology,30(7),3177-3186.
[3]Zhang,D.,&Ma,X.(2018).RollingbearingfaultdiagnosisbasedonEMDand1.5dimensionalspectrum.JournalofVibrationandShock,37(16),79-85.