《基于eemd的滚动轴承振动故障特征提取与诊断研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
’，，，一、一＿ｔ巧撕＇…？Ｗ飞＞－＇‘々一：；＂／％；＞Ｖ．４。．：‘，与／／＾斗餐＇＇’‘；＂、６屯．＇＇；．‘■‘＾？穿．．巧；冉：－，－、＾＾巧一．声．；瑞妄巧卓，；＇‘户：沪，巧＾＾詩．；：皆羊據旁證管邁读據紫：．．鱗５編蚕巧蔡＾觀無菊穂義；編黨璋載巧窠：品９—―’＇‘鮮＾－如或／Ａ３臾：＇＂＇一－’心’；二Ｖ、硕±学位论文％々典、基于ＥＥＭＤ的滚动轴承振动故障特征提取与Ｖ；诊断研究；．‘‘‘．ｙ’＊一．Ｕ：＾少ＲｅｓｅａｒｃｈｏｎＥｘｔｒａｃｔｉｏｎａｎｄＤｉａｇｎｏｓｉｓｏｆＦａｕＵＦｅａｔｕｒｅｏｆ气占：ＶＶｉｂｒａｔｉｏｎｏｆＲ幻ＨｉｎＢｅａｒｉ打ＢａｓｅｄｏｎＥＥＭＤＶｇｇ＇点卢辦＇，■■－－＾■＊４＂＾■Ａ一，六ｗ一，？；｜；ｒ女＇、，．；＾产含、产户ｆ．巧，巧片於早、‘’—‘＇＇一命、‘、－‘養＂’’心ｔ．，ｒｒ：叩二；将严＇；＞■＂－＾－－＞．．．；；；；；：：．■．＇由苗吗化班诚：Ｗ进批戊串玻Ｖ姆續巧抑？’种，兴心＇成心巧減＾在乃户：敵兴於＾／巧，：？＇議画瞧ｉ＾ｉ樣备售：？ｌｉ＾？｜ｉｉｉｉ‘’－＇．．＾心■．；ｗ嘴？韻鑽類Ｐ：辩游疑奎爲郑誘賊難送＇‘：海：’．＇解鑽落蕉讀群护轉專黄孩羯键吊矣片Ｖ．、．：八．．＞，＾２０１５３１議繫顯變議＾＾：年月斯ｒ＼：＊、‘？＊记１：，：；巧巧；满钱，＞式淵、．＇＂‘－ｉ’Ｗ．＇一．、告乂Ｌ＊ｒ去．＇Ｖ、＼一．＼，ｙＪ；一身， 国内图书分类号：ＴＨ１７学校代码：１００７９；国际图书分类号：６２１密级公开硕ｉ学位论文基于ＥＥＭＤ的滚动轴承振动故障特征提取与诊断硏究硕±研究生；刘觉晓导师；杜冬梅教授申请学位；工学硕±学科：机械工程专业；机械电子工程所在学院；能源动为与机械工程学院答辩日期：２０１５年３月授予学位单位：华北电力大学 ＣｌａｓｓｉｆｉｅｄＩｎｄｅｘ：ＴＨ１７Ｕ：．Ｄ．Ｃ６２１ＴｈｅｓｉｓｆｏｒｔｈｅＭａｓｔｅｒＤｅｇｒｅｅＲｅｓｅａｒｃｈｏｎＥｘｔｒａｃｔｉｏｎａｎｄＤｉａｎｏｓｉｓｏｆＦａｕｌｔＦｅａｔｕｒｅｏｆｇＶｉｂｒａｔｉｏｎｏｆＲｏｌｌｉｎＢｅａｒｉｎＢａｓｅｄｏｎＥＥＭＤｇｇＣａｎｄｉｄａｔｅ：ＬｉｕＪｕｅｘｉａｏＳｕｅｒｖｉｓｏｒ：ＰｒｏｆＤｕＤｏｎｍｅｉｐ．ｇＡｃａｄｅｍｉｃＤｅｇｒｅｅＡｐｐｌｉｅｄｆｏｒ：ＭａｓｔｅｒｏｆＥｎｇｉｎｅｅｒｉｎｇＳｐｅｃｉａｌｉｔｙ：ＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＳｃｈｏｏｌｏｆＥｎｅｒＰｏｗｅｒａｎｄＭｅｃｈａｎｉｃａｌ。Ｌ．ｇｙ，Ｓｃｈｏｏｌ：ｒ．ＥｎｍｅｅｎｎｇｇＤａｔｅｏｆＤｅｆｅｎｃｅ：Ｍａｒｃｈ２０１５，Ｄｅｒｅｅ－Ｃｏｎｆｅｒｒｉｎ－Ｉｎｓｔｇｇｉｔｕ杜ｏｎ：ＮｏｒｔｈＣｈｉｎａＥｌｅｃｔｒｉｃＰｏｗｅｒＵｎｉｖｅｒｓｈｙ １华北电力大学硕±学位论文原创性声明本人郑重声明：此处所提交的硕±学位论文《基于ＥＥＭＤ的滚动轴承振动故障特征提取与诊断研究》，是本人在导师指导下，在华北电力大学攻读硕±学位期间独立进行研究工作所取得的成果。据本人所知，论文中除已注明部分外不包含他人已发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中Ｗ明确方式注明。本声明的法律结果将完全由本人承担。■、作者签名：曰期；＞年曰ｉＪ喉縣＾１５＾月作华北电力大学硕±学位论文使用授权书《基于ＥＥＭＤ的滚动轴承振动故障特征提取与诊断研究》系本人在华北电力大学攻读硕±学位期间在导师指导下完成的硕±学位论文。本论文的研究成果归华北电力大学所有，本论文的研究内容不得Ｗ其它单位的名义发表。本人完全了解华北电力大学关于、保存使用学位论文的规定，同意学校保留并向有关部口送交论文的复印件和电子版本，允许论文被查阅和借阅，学校可Ｗ为存在馆际合作关系的兄弟高校用户提供文献传递服务和交换服务。本人授权华北电力大学，可Ｗ采用影印、缩印或其他复制手段保存论文，：可Ｗ公布论文的全部或部分内容。＂＂本学位论文属于觸在上相应方框内打Ｖ：）保密□，在年解密后适用本授权书不保密＾‘作者签名：表喉＾巧以曰期：年期／７曰Ｉ■导师签名：；日期年案月峰日 华北电力大学硕±学位论文摘要一滚动轴承是各种旋转机械中应用最广泛的种通用部件，其运行状态往往直接影响整台机器的性能。，对滚动轴承的状态监测和故障诊断具有重要的现实意义和经济价值一一些包含故障信在滚动轴承发生故障时，种常用的诊断方法就是，从振动信号中提取息的特征参数，从而揭示其故障类型、故障位置、故障程度。因此，如何有效的提取故障特征显得尤为重要。故障特征参数有时域参数和频域参数。常见的提取方法有小波分析和经验模态分解（ＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ），而集合经验模态分解（ＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＥＭＤ）作为经验模态分解的优化算法，近年来得到越来越广泛的应用。一、本文采用种方法，基于ＥＥＭＤ分解，提取Ｗ峭度均方根值为代表的时域特征参数和Ｗ重也频率、均方根频率为代表的频域特征参数，并运用支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）进行故障识别。通过与ＥＭＤ分解的结果进行对比，验证该方法。在诊断故障中有较高的正确率同时，在时域和频域中，多特征参数结合的诊断正确率一要高于单参数。；时域特征参数与频域特征参数相结合的诊断正确率可Ｗ达到更高关键词：滚动轴承；振动；故障特征；集合经验模态分解１ 华北电力大学硕±学位论文Ａｂｓｔｒａｃｔ民ｏｌｌｉ打ｇｂｅａｒｉｎｇｉｓ０打ｅｏｆｔｈｅｍｏｓｔｗｉｄｅｌｙｕｓｅｄｐａｒｔｓｉｎｖａｒｉｔｙｏｆｒｏｔａｔｉｎｇｍａｃｈｉｎｅｒｙ，ｗｈｏｓｅｒｕｎｎｉｎｇｓｔａｔｅｏｆｔｅｎｄｉｒｅｃｔｌａｆｅｃｔｓ化ｅｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｗｈｏｌｅｍａｄｉｉ打ｅｓｏｔｈｅｆａｕｌｔｙ，ｐｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｂｅａｒｉｎｈａｓｉｍｏｒｔａｎｔｒａｃｔｉｃａｌｓｉｎｉｆｉｃａｎｃｅａｎｄｅｃｏｎｏｍｉｃｖａｌｕｅ．Ｗｈｅｎｇｇｐｐｇ化ｅｒｏ化ｎｇｂｅａｒｉｎｇｆａｕｌｔ，ｅｘｔｒａｃｔｓｏｍｅｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓｉｎｃｌｕｄｉｎｇｔｈｅｆａｕｌｔｉｎｆｏｒｍａｔｉｏ打：ｆｒｏｍｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓ，ｓｏａｓ化ｒｅｖｅａｌＵｓｆａｕｌｔｔｙｐｅｓ，ｆ加Ｉｔｌｏｃａｔｉｏｎ，ｆａｕｌｔｄｅｇｒｅｅ，ｗｈｉｃｈｉｓａｃｏｍｍｏｎｌｙｕｓｅｄｄｉａｎｏｓｔｉｃｍｅｔｈｏｄ．Ｔｈｅｒｅｆｏｒｅｈｏｗ化ｅｆｅｃｔｉｖｅｌｅｘｔｒａｃｔｔｈｅｆａｕｌｔｇ，ｙｆｅａｔｕｒｅｓｉｓｖｅｒｙｉｍｐｏｒｔａｎｔ．Ｔｈｅｆａｕｌｔｆｅａｔｕｒｅｐａｒａｍｅｔｅｒｓａｒｅｃｌａｓｓｉｆｉｅｄｉｎｔｏｔｉｍｅｄｏｍａｉｎｐａｒａｍｅｔｅｒｓａｎｄｆｒｅｑｕｅｎｃｙｄｏｍａｉｎｐａｒａｍｅｔ＾ｓ．ＴｈｅＷａｖｅｌｅｔＡｎａｌｓｉｓａｎｄＥｍｉｒｉｃａｌＭｏｄｅｙｐＤｅｃｏｍｐｏｓｉｔｉｏｎＥＭＤａｒｅｔｗｏｋｉｎｄｓｏｆｍｅｔｈｏｄｆｏｒｅｘｔｒａｃｔｉｎｃｏｍｍｏｎ．ＥｎｓｅｍｂｌｅＥｍｉｒｉｃａｌ（）ｇｐＭｏｄｅＤｅｃｏｍｐｏｓｋｉｏｎＥＥＭＤａｓｔｈｅｏｔｉｍｉｚａｔｉｏ打ａｌｏｒｉｔｈｍｏｆＥＭＤｈａｓｂｅｅｎａｌｉｅｄｍｏｒｅ（）ｐｇ，ｐｐｒｅ猫ｄｍｏｗｉｄｅｌｙｉｎｒｅｃｅｎｔｅａｒｓ．ｙＴｈｉｓｐａｐｅｒａｄｏｐｔｓ江ｓｅｔｏｆｍｅｔｈｏｄｓ，ｗｈｉｃｈｂａｓｅｄｏ打ｔｈｅＥＥＭＤ，化衍：ｔｒａｃｔｋｕｒｔｏｓｉｓ，ｒｏｏｔｍｅｍｓｑｕ孤ｅＶ加ｅａｓ化ｅｒｅｐｒｅｓｅｎｔａｔｉｖｅｏｆｔｈｅｔｉｍｅｄｏｍａｉｎ，ａｎｄ化ｅｘｔｒａｃｔｇｒａｖｉｔｙｆｒｅｑｕｅｎｃｙ，ｒｏｏｔｍｅａｎｓｑｕａｒｅｆｒｅｑｕｅｎｃｙ，ｆｒｅｑｕｅｎｃｙｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎａｓｔｈｅｒｅｐｒｅｓｅｎｔａｔｉｖｅｏｆｔｈｅｆｒｅｑｕｅｎｃｙｄｏｍａｉｎ，ａｎｄｕｓｉｎｇｏｆＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＳＶＭ）ｆｏｒｆａｕｌｔｉｄｅｎｔｉｆｉｃａｔｉｏｎ．Ｖｅｒｉｆｙｔｈａｔｔｈｅｍｅ１：ｈｏｄｈａｓｈｉｇｈｃｏｒｒｅｃｔｒａｔｅｉｎｔｈｅ（ｄｉａｇｎｏｓｉｓｏｆｆａｕｌｔｓ，ｔｈｒｏｕｇｈｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｒｅｓｕｌｔｓｏｆＥＭＤｄｅｃｏｍｐｏｓｉｔｉｏｎ．Ａｔ化ｅｓａｍｅｔｉｍｅ，ｉｎｔｈｅｔｉｍｅｄｏｍａｉ打ａｎｄｆｒｅｑｕｅｎｃｙｄｏｍａｉｎｃｏｍｂｉｎｉｎｍｕｌｔｉｆｅａｔｕｒｅａｒａｍｅｔｅｒ化ａｎｏｓｉｓｃｏｒｒｅｃｔｒａｔｅｉｓｈｉｈｅｒｈａｎｔｈａｔｏｆｓｉｎｌｅｔ，ｇｐｇｇｇｐａｒａｍｅｔｅｒ．Ｄｉａｇｎｏｓｉｓｏｆｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓｏｆｔｉｍｅｄｏｍａｉｎａｎｄｆｒｅｑｕｅｎｃｙｄｏｍａｉｎｆｅａｔｕｒｅｐａｒａｍｅｔｅｒｓｃｏｍｂｉｎａｔｉｏｎｃａｎａｃｈｉｅｖｅｈｉ＾ｅｒｃｏｒｒｅｃｔｒａｔｅ．Ｋｅｗｏｒｄｓ：ＲｏｌｌｉｎＢｅａｒｉｎＶｉｂｒａｔｉｏｎＦａｕｌｔＦｅａｔｕｒｅｓＥＥＭＤｙｇｇ，，，ＩＩ 华北电力大学硕±学位论文目录摘要ＩＡｂｓｔｒａｃｔＩＩＷｉＭｍｔ１１１１．研究背景及意义２国外研１．究现状２１．２．１解调方法研究现状２１．２．２特征参数提取方法研究现状４１．３本文研究目的和内容５第２章滚动轴承的故障特征７２．１引言７２．２滚动轴承基本结构７２．３滚动轴承的故障形式７２．４滚动轴承振动机理９２．４．１轴承结构特点及加工装配误差引起的振动９２．４．２轴承运行故障引起的振动９２．５滚动轴承故障诊断常用统计特征１０２．５．１时域特征参数１０■２．５．２频域特征参数１１２．６本章小结１２第３章ＥＥＭＤ提取与ＳＶＭ诊断算法１３３１１．引言３３．２经验模态分解１３３．２．１ＥＭＤ原理１３３．２．２ＥＭＤ分解算法１４２．２．３ＥＭＤ算法存在的问题１６３．３集合经验模态分解１６３．３．１ＥＥＭＤ原理１６４０【］３．３．２ＥＥＭＤ分解算法１７３．４支持向量机１７ＩＩＩ 华北电力大学硕±学位论文３１９．５本章小结第４章基于ＥＥＭＤ时域特征参数的漆动轴承故障诊断２０４．１引言２０４．２数据说明２０４．２．１数据来源２０４．２．２数据分类２１４．３信号时域特征２２４．３．１原始信号时域特征２２４．３．２ＥＥＭＤ分解的信号时域特征２４４．４故障诊断方法设计２７４．４．１数据分组２７４．４．２诊断流程２７４．５基于峭度指标的滚动轴承故障诊断２７４．５．１基于ＥＭＤ峭度的滚动轴承故障诊断２７４５２ＥＥＭＤ２９．．基于峭度的滚动轴承故障诊断４３．５．３分析与讨论０４３１．６基于均方根值指标的滚动轴承故障橡断４．６．１基于ＥＭＤ均方根值的滚动轴承故障诊断３１４．６．２基于ＥＥＭＤ均方根值的滚动轴承故障诊断３２４．６．３分析与讨论ｉ３３４．７基于时域多参数指标的滚动轴承诊断３５４１基于ＥＭＤ时域多参数的滚动体故障珍断３５．７．４３６．７．２基于ＥＥＭＤ时域多参数的滚动体故障诊断４．７．３分析与讨论３７４；３８．８本章小结第５章基于ＥＥＭＤ频域特征参数的滚动轴承故障诊４０５．１引胃４０５．２信号频域特征４０５．２．１原始信号频域特征４０５．２．２ＥＥＭＤ分解的信号频域特征４２ＩＶ 华北电力大学硕±学位论文５４５．３基于重也频率指标的滚动轴承故障诊断５．３．１基于ＥＭＤ重也频率的滚动轴承故障诊断４５５．３．２基于ＥＥＭＤ重必频率的滚动轴承故障诊断４６４７５．３．３分析与讨论５４８．４基于均方根频率指标的滚动轴承故障诊断５４８．４．１基于ＥＭＤ均方根频率的滚动轴承故障诊断５．４．２基于ＥＥＭＤ均方根频率的滚动轴承故障诊断５０５１．４．３分析与讨论５５．５基于频域多参数指标的滚动轴承故障诊断５２５．５．１基于ＥＭＤ频域多参数的滚动轴承故障诊断５２５．５．２基于ＥＥＭＤ频域多参数的滚动轴承故障诊断５３５．５．３分析与讨论５４５．６基于时域频域多参数指标的滚动轴承故障诊断５５５．６．１基于ＥＭＤ时域频域多参数的滚动轴承故障诊断５６５．６．２基于ＥＥＭＤ时域频域多参数的滚动轴承故障诊断引５．６．３分析与讨论５８５７本章．小结巧第６章结论与展望６０６．１结论６０６．２展望６０参考＾献６２；攻读硕±学位期间发表的论文及其它成果６５致谢６６Ｖ 巧北电力人学硕」：学位论文第１章绪论滚动轴承的故障诊断在当今社会很多领域占据着十分重要的地位，不论是国外还是国内都发现了其内在的经济价值。如今国外在这项技术的研究已经发展的比较成熟，并正朝着智能化，集成化的方向努力发展；尽管我国目前还处于初级阶段，但是各高校纷纷结合国外的先进技术提出了自己独特的思想，并应用在实际生产之中，产生了巨大的经济效益。由于大量的旋转机械中都存在着滚动轴承，因此对设备进行实时监测与诊断，Ｗ就能够避免很多不必耍的经济损失甚至重大事故。１．１硏究背景及意义随着生产系统和设备的自动化、高速化和精密化的不断提升及其设备自身不断的大型化，在送个科技生产力持续发展的２１世纪，各个部口不但对化产效率和成本提出了一更高的要求，而且对设计、使用、维修也制定了更严格的标准，个微小的故障，有时会对整个系统造成稳定性和安全性等方面的影响，甚至会导致整个系统的雍疾。在电力、机械一、航天等领域中，滚动轴承是使用最为广泛的种机械零件，同时也是很易受到损Ｗ伤的零件。因此，对滚动轴承这个至关重要的旋转零件进行故障诊断Ｗ及定期维修极大的引起了人们的重视。滚动轴承在机械设备中是一一种通用零件，也是机械设备中故障频出的部分之，据统计在旋转机械发生的故障中，大约３０％的机械故障是由滚动轴承引起的；尤其是在感应电机故障中，甚至占有４０％的比例在齿轮箱故障中，它也仅次于齿轮故障占比达到；了１９％么多。查阅相关的资料，在我国，４０％必，，机车用的滚动轴承每年有须下车检验而且大约３３％的滚动轴承必须被更换，所Ｗ，机车轴承的故障诊断也具有很重要的意义和实用价值，。除此Ｗ外应用了故障诊断技术Ｗ后，机械设备出现故障的概率可Ｗ降低７５￣，２５５０％％用在维修方面的费用减少可法％。实际的例子还有很多，１９８５，，。比如年大同电厂断轴毁机事故在短短不到４０砂的时间内，发电机组全部损坏，０００多方元。１９８８（直接损失达１年，由于轴系断裂汽Ｐ１）轮机发电机姐，位于陕西省的秦岭发电厂发生造成经济损失约３０００方元的事故。其实，送样的例子屡见不鲜，，各国都开始关注故障诊断的问题正因为如此。英国根据调一查表统计，每３年单单在维修费用上就要花费亿英镑的巨资，如果多加研究故障诊断去避免故障就能大大缩减费用，因为研究这项技术的成本不高（５千万英镑）。法国的某电厂为了验证故障诊断技术的重要性一，经过两年的状态监测的统计结果显示，电厂共节约了９５乂欧元，不过上述统计结果有些因素没有考虑（比如停工造成的损失）。国内方面，也有很多知名的高校做了相似的研究并发表了报告，西安交通大学就是很好的例子，应用自主研发的回转机械故障诊断与监测系统，在沪州天然气化学工业公司作１ 华北电力大学硕±学位论文８９％５７，为试点，投入使用仅仅几年，就使生产加工中机组在大修中的开缸率从降到％Ｗ变向带来的经济效益十分显著（高达数千万元人民币）。由此可见，滚动轴承故障诊断技术可Ｗ掌握了解轴承的性能状态并且尽早的发现潜在的故障，除此之外，，对机械设备的替理水平和维修效能也会有显著的提升其经济效ＷＷ益也会十分的显著。１．２国内外研究现状，当滚动轴承局部存在损伤或缺陷时，在承载运转过程中将产生衰减冲击脉冲力从而激起轴承的高频固有振动。这种高频固有振动作为轴承振动的载波，其幅值将受到这些缺陷引起的脉冲激振力的调制，从而使轴承最终的振动波形表现为复杂的幅值调制波。一因此，解调分析成为机械故障诊断，特别是正确诊断故障部位的种常用的信号处理方法，在实践中解决了很多故障诊断方面的问题然而在机械故障诊断的发展过程中，人们发现最重要最关键而且也是最困难的问题之一就是故障特征信息的提取。对原始信号解调，是为了更好的进行特征提取。１．２．１解调方法研究现状（１）共振解调法。目前園内外普遍采用的行之有效的方法是共振解调法，又称高频共振法或包络分析法，即解调，。巧振解调巧术是对低频冲击所激起的高频共振波进行包络检波和低通滤波获得一个对应于低频冲击的、而又放大并展宽了的共振解调波。通过对此共振解调波进行频谱分析，判定故障的量值和类型。常用的共振解调方法有基于希尔伯特变换的包络解调方法、广义检波滤波解调方法和能量算子解调方法。希尔伯特变换是一种将时域实信号变为时域解析信号的方法。变换所得解析信号（复数）的实部是实信号本身，虚部是实信号的希尔伯特变换，而解析信号的幅值便是实信号的包络。由于对原始信号经过了包络处理，使原始信号变得光滑和平缓。在滚动轴承故障诊断中，由于可Ｗ采用希尔伯特变换提取机械故障信号包络的方法获得特征信息，，，同时希尔伯特变换又具有快速算法因此希尔伯特变换在机械故障振动信号的解Ｗ调分析中得到了广义的应用。广义检波滤波。高通绝对值分析、检波滤波和平方解调Ｈ种解调方法的解调原理都一是对信号取绝对值或绝对值的平方，然后进行低通滤波，可，原理基本致Ｗ统称为广Ｗ一一一义检波始波解调分析，，国内的些学者对其中的些算法进行了研究但未作为种整体方法对其解调原理和局限性进行详细系统的研究。文献详细地推导研究了广义检波滤波解调分析的解调原理和局限性。一能量算子解调方法。能量算子解调方法是由Ｔｅａｇｅｒ提出的种简单的信号分析算法，用于分析和跟踪窄带信号的能量，对故障轴承的高频共。人们将其引入滚动轴承诊断中振信号进行包络解调，提取故障特征，试验和应用结果表明，能量算子解调法比传统的２ 华北电力大学硕±学位论文ｉｌｆｌ希尔伯特解调法精度更高，速度更快。Ｗ上Ｈ种方法在应用中虽然取得一定效果一，但也存在些不足。希尔伯特变换法和广义检波滤波法除了存在抗干扰噪声信号的能力较弱１＾＾外，还存在几个局限性①将）不包括调制信息（故障信息的两时域相加信号；，也Ｗ其频率之差作为解调信号而解出②在广义检波滤波解调分析中，取绝对值，需、检波过程、平方过程可能产生混额效应１Ｗ，要选择合适的采样频率；③在几种细化解调分析新算法中对选抽后的信号进行频谱分析前不能进行数字低通滤波，有可能会出现调制频率高次谐波成分发生频率混叠而反折到低频部分的现象。能量算子解调方法虽然运算速度较快，但成功地运用该解调方法的前提同样是正确选取载波频段和调制频段，对原始信号进行带通滤波。所选择合适的共振频带进行带通滤波是术确进行解调分析的关键。（２）基于小波变换的解调方法。一１Ｗ小波变换是为了克服传统的傅立叶分析的局限性而提出的种时频分析方法，在时，，、频域都具有表征信号局部特征的能力具有多分辨率分析的特点可Ｗ探测正常信号中隐含的瞬态突变成分，很适合用来分析滚动轴承故障信号。目前，很多学者将其应ｕｓｉ利巧正交用于滚动轴承包络解调分析中。张中民等小波基将轴承故障振动信号变换到－尺度域时间，对高频段的小波系数进行包络细化谱分析，不仅能检测到轴承故障的存在，而且能有效地识别轴承的故障模态ｏＮＧ。Ｎｉｋｌａｏｕ等使用小波包变换作为分析系统振动信号的工具来诊断轴承的局部缺陷，结果表明，小波包变换能有效地提取振动信号的微弱瞬态特征。上文献采用二进离散小波变换和小波包变换，虽然有快速算法，但对于滚动轴承故障诊断而言，存在Ｗ下Ｈ点不足①时间和尺度二进网格的划分过于粗趟。二进小波的时窗长度按尺度降低方向（频率增加方向）呈二倍速减，其尺度划分由于基于二进划分而跳跃，离散间隙太大而过于粗檔；②二进小波变换要求小波基必＂＂须是正交的，送样它才存在对偶，从而才能有重构公式。基小波的选择往往要与待＂＂＂＂检成分相匹配，而这种匹配性与正交性通常很难兼顾③二进小波变换不具有；＂＂时（移）不变，在检测具有不确定时刻出现的信号的特征，检测方法是必须具有时一不变性的。人们投入了大量的精力來研究如何使．进小波满足时不变性，但这些改进虽，且要求基小波是正交的然可Ｗ实现时不变的变换，但是计算量显著提高。（３）基于经验模态分解的解调方法经验模态分解一（ＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎＥＭＤ）方法是由Ｈｕａｎ提出的种，ｇ新的信号分解方法ｔＷ它根据被分析信号的内在结构特征，将复杂信号分解为若干个基，一本模态分量（Ｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎ，ＩＭＦ）之和，而每个ＩＭＦ分量都可是个调幅和／或调频的单分量信号。ＥＭＤ方法具有自适应特点，主要体现在该方法的分辨率是根据数据自身的特点，通过曲线拟合确定，突破了依靠先验经验的传统方式。轴承振动信号多为含有多个瞬时频率的多分量信号，借助于ＥＭＤ恰能实现多分量振动信号的简单化处理。此外，轴承振动信号中的强信号成分往往将弱信号成分淹没，使得弱信号特征无一法体现，些方，而用ＥＭＤ分解得到的某些ＩＭＦ分量恰能对应着弱信号成分故避免了３ 华北电为大学硕七学位论文法难分析弱信号成分的不足。目前ＥＭＤ已在轴承故障诊断中得到了广泛的应用，如杨宇提出了ＥＭＤ与神经网络顯合、ＥＭＤ与奇异值分解融合等轴承故障诊断方法，在应用中有较高识别；王太Ｐ勇叫等瑞利炯、最小二乘支持向量机与ＥＭＤ巧合，可对轴承故障进行智能诊断：李辉ＰＩ１ＭＤ和提出基于ＥＴｅａｇｅｒ能量算子的诊断方法，可用于齿轮箱轴承的故障诊断；雷亚圍提出了ＥＭＤ、自适应神经模糊推理系统和遗传算法擺合智能模型故障诊断方法，Ｐ３１并在电力机车轮对轴承的故障诊断中得到应用；张琳将切片双谱理论融入到ＥＭＤ中，该方法在实现了故障诊断的同时，还有较好的噪声抑制能力。然而ＥＭＤ有典型的缺陷，原始信号间歇性Ｗ及分解过程中有误差，引起分解成的一ＩＭＦ分量有多个频率成分或者单频率成分分布到几个分量中，送种和ＥＭＤ分解初衷相违背的现象称为模态混叠。针对ＥＭＤ的模态混叠，Ｈｕａｎｇ又提出了集合经验模态分ＰＷ解（ＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＥＭＤ）。该方法根据不相关量的统计一特性均值为零的数学原理，将白噪声信号加入到待分解信号中，方面白噪声信号可一弥补原始信号的缺失，另方面白噪声为不相关信号，其统计均值为零，这样既对模态混叠现象有很好的抑制作用生干扰。ＥＥＭＤ是ＥＭＤ的改进，它，又不会对原始信号产同样具有完备性和近乎正交性，既能达到凸显局部特性的分解目的，还能有效抑制模态混叠。１．２２特征参数提取．方法研究现状所谓特征提取，是指通过变换（或映射），把高维的原始特征空间的模态向量用低维的特征空间的新的模态向量來表达，从而找出最具代表性的、最有效的特征的方法。为了从根本上解决故障特征信息提取这个关键问题，人们主要借助于信号处理，特别是现代信号处理的理论和技术手段，从对信号的深度分析中获取更多的信息。前面总结了目前常用的解调和降噪方法，都是为了更好地进行特征提取。（１）基于时域和频域特征参数的提取方法滚动轴承发生故障时，其振动信号中的许多统计特征参数都会随故障的性质及大小发生变化，可作为故障诊断的依据。在轴承故障诊断中应用比较广泛的幅值参数有：有，及无量纲指标中的波形因子量纲指标的均方根值和峰值、峰值因子、脉冲因子峭度因子和裕度因子等。其中，对于元件表面损伤类故障，用峰值指标判断比较敏感，对磨损类故障，用均方根指标有效，而峰值因子既考虑了峰值又考虑了均方根值，所对两类故障都可Ｗ判断。但利用特征参数进行故障诊断只对故障的早期阶段较为敏感，当故障较为严重时，其抗干扰性较差，其值与正常状态值接近而产生误判问题。如均方根，从值可Ｗ反映轴承总体的劣化状况，但是，而使均方根值增大时，，当有其他非轴承振源、则易产生误判，但是，；峰值峰值因子、峭度等参数虽对冲击故障敏感当有其他冲击源或随机冲击干扰时，它们也会增大且，峰值因子、，当故障进入严重发展阶段时；况峭度等参数处于饱和状态，，，与正常轴承相同失去诊断能力。总之如果原始信号不加４ 华北电力大学硕上－学位论文任何预处理，，Ｗ上参数的诊断能力较差，随机性较大。为此，为了提高诊断的可靠性需对原始信号进行必要的预处理，其采用多参数诊断法。（２）基于能量的特征参数提取方法在信号的分析过程中，时间尺度和随时间尺度分布的能量是信号的两个最主要参数。事实上，当滚动轴承发生故障时，振动信号各频带的能量会发生变化。因此，在各频带信号的能量中包含了丰富的故障信息，可根据滚动轴承振动信号的各频带能量的变化來进行滚动轴承故障分析。ＥＭＤ可将信号在不同的尺度上展开，并可提取信号在不同频带上的特征，并从分解后的时间序列中提取轴承信号的能量特征信息作为神经网络的输ｓｌｉｉ入，对滚动轴承进行自动分类与诊断。杨宇等ＷＥＭＤ作为振动信号的预处理器，ＷＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）神经网络作为分类器，提取ＥＭＤ分解后的平稳ＩＭＦ分量的能量指标作为网络的特征参数，对故障轴承和正常轴承进行分类。（３）基于滴度量的特征参数提取方法一滴是表明系统无序状态的某种测度，是系统复杂度的种定量描述工具，系统的状态发生变化时，其摘值也会改变。目前，显示其，滴的概念越来越广地应用到众多领域一ＰＳｊ具有普遍意义，它已近成为研究数字信号处理的重要基础理论之。近年来，很多学一者将烦作为特征参数提取的方法引入到机械故障诊断领域，取得了定的应用成果。杨Ｐ世锡等叫尋Ｋ摘引入故障诊断领域，利用Ｋ赌的计算数值作为故障的特征值來识别机械的故障类型及严重程度。李兵等采用ＥＭＤ方法对轴承故障振动信号进行分解，得到ＩＭＦ矩阵，提取ＩＭＦ矩降的奇异值和各ＩＭＦ分量的能量值，计算香农滴和瑞利炯两种测度下信号的奇异值和能量分布赌，同时提化原信号的屯个统计特征参数共同构建轴承故障诊断的原始特征集。１．３本文研究目的和内容目前，滚动轴承故障诊断方法都先经过解调等预处理，然后提取特征参数。大多数特征参数需要某种模态识别工具进行辅助诊断，才能得到最终的诊断结论。通常需要大，使用中不是很方便量的数据样本进行训练，如果能找到某些参数直接表征滚动轴承的一一故障状态，将是件非常有意义的工作。本文采用种基于ＥＥＭＤ分解，提取时域、频域特征参数，然后通过支持向量机（ＳｕｏｒｔＶｅｃｔｏｒＭａｃｈＳＶＭ）ｐｐｉｎｅ进行分类识别的，诊断方法，通过识别正确率证明该方法的可行性和有效性。论文结构安排如下：第２章首先从滚动轴承的基本结构、失效形式、振动机理等方面，从理论层面介绍了滚动轴承故障发生的机理和形式。然后介绍了基于时域和频域的常见特征参数及其提取方法。第３章主要介绍论文中用到的几种算法：首先介绍ＥＭＤ的产生和原理，在故障诊断中的优势及缺点，；然后介绍了基于ＥＭＤ发展来的ＥＥＭＤ的产生和改进原理及相较于ＥＭＤ的优势。最后介绍ＳＶＭ分类的基本原理及工作流程。５ 华北电力大学硕±学位论文第４章主要介绍了Ｗ时域特征参数为指标，基于ＥＥＭＤ滚动轴承振动信号故障恃征参数提取方法理论，将原始信号分别进行ＥＭＤ和ＥＥＭＤ分解，从得到的分量中提取时域特征参数，然后利用ＳＶＭ进巧训练和分类，从而对故障种类进巧识别。同时，将ＥＭＤ和ＥＥＭＤ的分类结果进行比较。第５章主要介绍了Ｗ频域特征参数为指标，基于ＥＥＭＤ滚动轴承振动信号故障特征参数提取方法理论，将原始信号分别进行ＥＭＤ和ＥＥＭＤ分解，从得到的分量中提取频域特征参数，然后利用ＳＶＭ进行训练和分类，从而对故障种类进行识别。同时，将ＥＭＤ和ＥＥＭＤ的分类结果进行比较。第６章主要总结论文的研究成果，对滚动轴承故障诊断技术亟待解决的关键问题和将来的研究方向进行预测和展望。６ 华北电力人学硕上学位论文第２章滚动轴承的故障特征２．１引言滚动轴承是旋转机械重要的支撑部件，要深入了解其故障特征，就要分析其结构特点一，进步总结故障形式及产生原因。由于滚动轴承故障诊断依靠其振动信号的采集、分化因此，要从内部、外部原因明确滚动轴承振动产生机理。然后归纳旌结常见的振动信号统计特征。２．２滚动轴承基本结构滚动轴承由内圈２－、外圈、滚动体和保持架四种元件组成，如图１所示。通常，轴承内圈与机械传动轴的轴颈过盈配合联接一，工作时随轴起转动外圈安装在轴承座、；而箱体或其他支撑物上工作时一，般固定或相对固定。但也有少数外圈回转、内圈不动或内、外圈分别按不同转速回转的使用情况。滚动体是滚动轴承的核也元件，它使相对运动表面间的滑动摩擦变为滚动摩擦。滚动体的形式有球形、圆柱形、圆锥形、鼓形等。在滚动轴承内、外圈上都设有凹槽滚道，它们起着降低接触应力和限制滚动轴承轴向移动的作用。保持架使滚动体等距离分布并减少滚动体间的摩擦和磨损。講＼ｆｉ图２－１滚动轴承的基本结构２．３滚动轴承的故障形式滚动轴承在运转过程中可能会由于各种原因引起损坏，如装配不当、涧滑不良、水分和异物侵入、腐蚀和过载等都可能会导致轴承过早损伤。即使在安装、涧滑和使用维护都正常的惰况下一，经过段时间运转，轴承也会出现疲劳剥落和磨损而不能正常工作。７ 华北电力大学硕±学位论文ＰＳ滚动轴承的失效形式主要有１：（１）疲劳剥落滚动轴承的内外滚道和滚动体表面既承受载荷又相对滚动，由于交变载荷的作用，首先在表面下一定深度处最大剪应力处形成裂纹，继而扩展到接触表面使表层发生剥（）落坑，最后发展到大片剥落，这种现象就是疲劳剥落。疲劳剥落使机械在运转时产生冲击一、振动和噪声。在正常工作条件下，疲劳剥落往往是滚动轴承失效的主要原因，般所说的轴承寿命就是指轴承的疲劳寿命，轴承的寿命试验就是疲劳试验。试验规程规定，在滚道或滚动体上出现面积为２０．５ｍｍ的疲劳剥落坑就认为轴承寿命终结。滚动轴承的疲劳寿命分散性很大一批轴承中，同，其最高寿命与最低寿命可Ｗ相差几十倍乃至几百一倍，这从另角度说明了滚动轴承故障监测的重要性。（２）磨损滚道与滚动体的相对运动和尘埃异物的侵入引起轴承表面磨损，润婿不良也会加剧磨损。磨损的结果使轴承游隙増大，表面粗髓度增加，降低了轴承运转精度，因而也降低了机器的运动精度，振动和噪声增大。对于精密机械轴承，往往是磨损量限制了轴承的寿命。（３）塑性变形当轴承受到过大的冲击载荷或静载荷时，或因热变形引起额外的载荷，或有硬度很高的异物侵入时都会在滚道表面上形成凹痕、划痕或压痕。送导致轴承在运转时产生剧烈的振动和噪声一。而且，压痕引起的冲击载荷会进步引起附近表面的剥落。（４）绣蚀与电蚀镑蚀是滚动轴承严重的问题之一。高精度轴承可能会由于表面镑蚀导致精度丧失而不能继续工作。水分或酸、碱性物质直接侵入会引起轴承诱蚀。当轴承停止工作后，轴承温度下降到露点、，空气中水分凝结成水滴附在轴承表面上会引起诱蚀。此外，当轴承内部有电流通过化电流有可能通过滚道和滚动体上的接触点化很薄的油膜引起电火花而产生电蚀，在表面上形成磋板状的凹凸不平。（５）裂纹与断裂轴承元件的裂纹和断裂是最危险的一种损坏形式，这主要是由于轴承超负荷运行、金属材料有缺陷和热处理不良所引起的。转速过高、润滑不良、轴承在轴上压配过盈量太大Ｗ及过大的热应力都会引起裂纹和断裂。．（６）胶合在润滑不良、高速重载情况下工作时，由于摩擦发热，轴承零件可在极短时间内达到很高的温度，导致表面烧伤及胶合。（７）保持架损坏装配和使用不当可引起保持架发生变形，增加了它与滚动体之间的摩擦，甚至使某些攘动体卡死不能滚动，也有可能造成保持架与内外圈发生摩擦等。送些都将增加轴承的振动、噪声与发热加剧。，导致轴承损坏８ 华北电力大学硕Ｉ：学位论文２．４滚动轴承振动机理在机械运转时，由于滚动轴承本身的结构特点、加工装配误差和运行过程中出现的故障等内部因素，Ｗ及传动轴上其他零部件的运动和力的作用等外部因素，当传动轴Ｗ一一定的速度并在定的载荷下运转时，，对轴承和轴承座或外壳组成的振动系统产生激励使该系统振动２－２，其振动产生的机理如图所示，在实际的诊断中，如果不考虑轴承加工和装配误差一，则主要为运行故障这内部因素所引起的振动。结构特点ＩＩＨ１Ｗ１内ｉ轴加工装配￣？轴承系统？振动ｊ護Ｉ＾！Ｉ素八ｉｉ运行故障Ｈ—Ｌ—ｉ：外部因素ｉＩＩＩ图２－２滚动轴承振动产生原理实际诊断中，通过布置在轴承座或外壳上适当位置的传感器拾取的振动信号是上述各种内部和外部激励施加于滚动轴承系统的综合振动。如何从综合振动中把轴承故障引起的振动信号提取出来，从而有效地诊断出轴承故障，是滚动轴承故障诊断技术的关键所在。为了能够有效地把故障特征从综合振动中提取出来，需要研究滚动轴承内部两种因素引起的振动信号的各自特征２．４．１轴承结构特点及加工装配误差引起的振动当轴承旋转时，，滚动体便在轴承内、外圏滚道上滚动即使对加工装配毫无误差的轴承来说，由于滚动体在不同位置时所受的力大小不同，同时承载的滚动体数目也不同，一这些轴承本身的结构特点造成承载刚度的变化，引起轴承振动，，当轴的转速定时这一振动具有确定性质；轴承元件加工时留下的表面波纹度、粗精度及形位误差和装配误差等因素产生交变激振力使轴承系统振动，虽然送些加工装配因素造成的激振力大都具有周期性特点，但由于实际构成因素十分复杂，各因素之间也不存在特定的关系，所Ｗ，总体來说这些激振为随机性较强，含有多种频率成分，那么轴承系统在这些激振力的作用下所产生的振动当然也具有多种频率成分并具有较强的随机性。２．４．２轴承运行故障引起的振动滚动轴承在运行过程中出现的故障按其振动信号的特征不同可分为两大类一：类是一磨损类故障，，；另类是表面损失类故障包括点蚀、剥落、擦伤等下面分别具体介绍。一（１）磨损类故障：般来说，在正常使用情况下，滚动轴承工作表面磨损故障经一历的时间较长，是个渐变性故障。轴承表面磨损后产生的振动同正常轴承的振动具有相同的性质，即两者的波形都是无规则的，随机性强。但磨损后振动水平幅值）明显高（９ 华北电力大学硕±学位论文于正常轴承。运就是磨损类故障引起的振动信号的基本特点。由于磨损不会马上引起轴承破坏，其危害程度远小于表面损伤类故障，故通常人们最为重视的还是表面损伤类故障。（２）表面损伤类故障对于表面损伤类故障，当损伤点滚过轴承元件表面时，产生突变的冲击脉冲力，该一脉冲力是宽带信号，所Ｗ必然覆盖轴承系统的富频固有振动频率而引起谐振，从而产生周期性冲击振动。送就是损伤类故障引起的振动信号的基本特点。该类信号的处理是本文重点要研究的内容。损伤故障产生的周期性冲击振动成分从性质上可分成两类：其一，是由于轴承元件的工作表面损伤点在运行中反复撞击与之相接触的其它元件＂＂表面而产生低频振动成分，称之为通过振动。其发生周期７；是有规律的，可獻从转＝速和轴承的几何尺寸求得。并且，损伤发生在内、外圈或滚动体上时，该频率人１／打）（＂一＂不同。这轴承通过振动发生的频率称为故障特征频率。利用频谱分析诊断轴承故障时，其基本原理就是查看轴承振动信号中有无这些故障特征频率成分。滚动轴承故障一一特征频率般在ＩｋＨｚＷ下，是滚动轴承故障的重要特征信息之。＂＂其二，是由于损伤冲击作用而诱发的轴承系统的高频固有振动成分。这里所说的高是相对故障特征频率而言。轴承系统的高频固有振动很复杂，如轴承内、外圈的径向弯曲固有振动、滚动体的固有振动、甚至测振传感器的固有振动等都可由于损伤冲击而产生并反映在轴承的振动信号中。２．５滚动轴承故障诊断常用统计特征，在渡动轴承状态监测和故障诊断的振动特征分析中，特征参数法占有重要位置。特征参数法的优点在于仅用少数指标来解释轴承的状态，结果分析简单和方便。此外，采用特征参数法评定轴承状态时不需要轴桌Ｗ前的历史记录一，这是此技术另项具有吸引力的特征。在滚动轴承诊断中常用的特征参数包括有效值、峰值等各种时域恃征参数和重也频率等各种频域参数。下面结合实测数据对各种特征参数进行分析２．５．１时域特征参数，时域特征参数有均方根值、峰值、峰值因子、峭度等，送里仅选择有代表性的两个。特征参数进行介绍，并运用于后文的特征参数提取与诊断中（１）均方根值（ＲｏｏｔＭｅａｎＳｕａｒｅＲＭＳｑ，）均方根值又称为有效值。滚动轴承振动的瞬时值随着时间而不断地变化，作为表现这种振动变化大小的方法，广泛地使用有效值。有效值是振动振幅的均方根值，定义如下：。＝２－１屑肉品（）１０ 华北电力大学硕±学位论文其中，Ｘ的为时域信号。。＝品腐口巧’＝１．．．其中，２］＼为采集的信号，＾为采样点数。切〇｝〇，，，〇公式２－１为连续时域信号求均方根值的公式－），２２为离散信号求均方根值的公式。（（）由于有效值是对时间平均的，，所Ｗ对表面磨损那样的无规则振动波形的异常其测定值的变动小，并可Ｗ给出恰当的评价。但是，对表面剥落或压痕那样的具有瞬变冲击振动的异常是不适用的。其原因是由于冲击波峰的振幅大，但持续时间短，，如对时间平均那么有无峰值的差异几乎表现不出来。当滚动轴承无故障时一旦轴承出现了损伤，有效值比较稳定；，则产生冲击信号，振动峰值明显増大，但此时有效值尚无明显的増大；当故障不断扩展时，峰值逐步达到极限值后，有效值则开始增大，直至恢复到无故障时的大小。峰值因子对表面磨损故障几乎没有检测能力。（２）峭度（Ｋｕｒｔｏｓｉｓ）对于零均值的振动时域信号ｘ（ｆ）；，峭度定义为庐（〇如）叫（其中Ｐ的为蛛）的概率密度分布函数。离散化的公式为；４：衣（如（）＊Ｋ二２－４Ｆ７ｆ（）？！＞！（（）＝１１＿＿对于其振幅满足正态分布规律的无故障轴承，其峭度指标值约为３，随着故障的出现和发展，峭度指标值具有与峰值因子类似的变化趋势。其优点也在于与轴承的转速、尺寸和负荷无关。但主要适用于点蚀类故障的诊断。２．５．２频域特征参数＼时域参数指标判断滚动轴承故障基本上不受轴承型号、转速、载荷、信号绝对水平和测点等的影响一，但只能判断轴承是否有故障。而要进步确定故障的类型，发生故障的元件，就必须根据频谱图中的频率成分处的幅值的大小进行诊断。选取两个主要的频域参数分别为；（１）重也频率：１１ 华北电力大学硕±学位论文＝Ｃ２．Ｓ／培户（）ｓ／ｄ／（）Ｊ７（２）均方根频率：斯ｒ八（耸三ｆ｜各式中的Ｓ的均为信号的功率谱。重也频率、均方根频率都是描述功率谱主频带位置变化的。利用傅立叶变换的性质，’＝可得信号扣闲〇１２．．．ｉＶＪＶ为采样点数的频域参数重必频率、均方根频率的时域快｝，，，；）速算法为；、．２－７（）请２、４尤巧＝（〇，＾，户！（＞（０Ｃ，口广姆訓＞ｘ－ｘ－ｌ（〇（）＾２．９（）么其中，／！为采样间隔，ｉＶ为采样点数。采用频域参数可Ｗ对滚动轴承的故障进行粗略判断。当轴承无故障时，频率成分主，重也频率较小。当轴承出现局部损伤类故障时要集中在低频，由于冲击引起的共振，主频区右移，重也频率增加。２．６本章小结本章系统的介绍了滚动轴承结构，常见故障形式及其原因。并从振动机理入手，阐述了轴承振动包含的信息，为滚动轴承振动信号分析提供Ｔ理论依据。从时域、频域角度，详细描述了滚动轴承信号统计特征，为特征参数计算提供了计算依据。１２ 华北电力大学硕±学位论文第３章ＥＥＭＤ提取与ＳＶＭ诊断算法３．１引言在本文提出的滚动轴承敌障诊断方法中，，主要运用了Ｈ种算法对原信号进行预处理的算法有经验模态分解ＥＭＤ和改进后的总体经验模态分解ＥＥＭＤ，提取了特征参数—Ｍ后，还用到对故障类型进行分类识别的算法支持向量机ＳＶ。本章将着重介绍这兰种算法的原理。３．２经验模态分解ＥＭＤ经验模态分解法是美国国家宇航局美籍华人黄嚮（化Ｅ．Ｈｕａｎｇ）等人于１９９８年创造性地提出的一种新型自适应信号时频处理方法。ＥＭＤ一被认为是２０００年来Ｗ傅立叶变换为基础的线性和稳态频谱分析的个重大突破，该方法是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点，ＥＭＤ方法在理论上可Ｗ应用于任何类型的信号的分解，因而在处理非平稳及非线性数据上，具有非常明显的优势，适合于分析非线性一经提出就在不同的工程、非平稳信号序列，具有很高的信噪比。所Ｗ，ＥＭＤ方法ＰＵ领域得到了迅速有效的应用。３．２．１ＥＭＤ原理ＥＭＤ的核也由两部分组成，即瞬时频率和本征模函数，要透彻地理解ＥＭＤ的原理，首先要理解瞬时频率和本征模函数的概念。（１）瞬时频率假设一信号；Ｃ似可写成指数信号的ｉＶ项相加，即．＇＂（＝．）。６－刪１２］：＊口）１其中化为常数。则瞬时频率频率表示）＝＝－２ｋｌ…Ｎ口）从，，）鸣心直观上，瞬时频率为相位的微分。对于自然界中的实数讯号，如何定义讯号的相位。Ｇ油ｏｒ提出解析讯号法，将实数讯号表示为对应的复数讯号，即可定义复数讯号的大小与相位，将实数讯号的瞬时频率求出。（２）本征模函数若使一个函数或者信号的瞬时频率有意义，那么这个信号或函数必须是对称的并且１３ 华北电为大学硕±学位论文局部均值等于零，同时其过零点数目和极值点数目相等。基于此，Ｈｕａｎｇ等人提出了本一一征模函数一（ＩＭＦ）这概念，他们认为信号是由系列本征模函数和个余量组成的，即；＝ｃ＋－ｒ３玄Ｌ，（０口）非），（０Ｃ？为其中，ＩＭＦ分量。３一ＰＨｕ必须满足Ｗ下两个条件３ａｎｇ指出个本征模函数（ＭＦ）：一（１）在整个信号长度上，极值点数目和过零点数目必须相等或者至多相差个；（２）在任意数据点处信号上下包络的平均必须等于零。一ｕ然而，在实际中遇到的信号般是不满足上述的理想条件的，于是，Ｈａｎｇ又做了如下假设：一一＾一（１）任何信号都是由系列的本征模函数和个余量組合而成；（２）在局部范围内，组成信号的各个本征模画数可Ｗ是线性的也可Ｗ是非线性的，并且各本征模国数的零点和极值点数目相等，同时上下包络线也是关于时间轴对栋的；一一（３）不论在什么时候，个信号都可Ｗ包含有系列的本征模函数，如果这些本征模函数发生混叠，就会组成复合信号。３．２．２ＥＭＤ分解算法ｆＷＥＭＤ是通过筛选过程來获取ＭＦ：，其具体分解过程为①确定信号；Ｃ的的所有局部极值点，然后用Ｈ次样条插值分别将所有的局部极大值点和局部极小值点连接起来３－，形成上包络线和下包络线，如图１，包络线包络了所有－的信号数据。３－２②如图，计算上、下包络线的平均值，记为ｍ，：ｉ求出＝－ｈｘｔｍ３－４＾），｛）（一一一③如果如是个ＩＭＦ，那么它就是信号；ｃ〇）的第个ＩＭＦ。如果不是个ＩＭＦ，则将知作为原始数据，重复①、③步骤，得到上、下包络线的平均值，记为ｍｉ，，计算＝＝ＩＭ／ｉ，＞，并判断是否满足Ｆ的条件，如果不满足，则重复循环，计算＞１ｉｔ一一＝Ｆ直到Ａｗ是个ＩＭＦ。记Ｃ，则Ｃ为信号ＪＣ的的第。ｌ个ＩＭｉ将Ｃｌ从ｘ（句中分离出来，得到；＝－ｒｘｔｃ３－５，＾｛）（）￣二ｃ。重复循环ｎ次；Ｃ将ｎ作为原始数据，重复步骤①⑨得到第个ＭＦ２，到信号的的ｎ个ＩＭＦ，于是有：－…ｒ３旬。（一当成为个单调函数不能再从中提取满足ＭＦ条件的分量时。这样，循环结束ＥＭＤ分解将信号表示为：１４ 华北电力大学硕±学位论文＝－。７非），＾口）茲｜－其中，称为残余函数，代表信号的平均趋势。分解结果如图３３。２ＩＩＩＩＩＩＩＩＩＩＩ１０２０３０４０５０６０７０８０９０１００１１０１２０３－簡１求出信号的上、下包络线２ｔＩＩＩＩＩＩＩＩＩＩ１０２０３０４０５０６０７０８０９０１００１１０１２０３－２计算出信号的上團、下包络线的平均值１尺Ａ／＼／ＷＶＡ八羣－■——ｉ［■ＩＩＩＩＩＩＩＩＩＩＩ—＾？ＳＩＩＩ？ＩＩＩＩＩＩＩ０１０２０３０４０５０目０７０８０如１００１１０１２０－３图３ＥＭＤ分解结果１５ 华北电力大学硕±学位论文３３ＥＭＤ算．２．法存在的问题（１）ＥＭＤ分解存在边界效应，尽管有很多减小边界效应的方法，但仍不能从根本上消除。（２）现有的ＥＭＤ分解算法还不算很完善，信号在分解过程中会产生这样或那样的一方面会产生较多的分量误差，，从而带来附加的低频信息。（３）由于信号的复杂性，可能会产生各分量之间存在模态混叠的现象，不利于信一号的进步分析。３．３集合经验模态分解一模态混叠是指ＩＭＦ分量中包含了尺度差异较大的信号，或者个相似尺度的信号出现在不同的ＩＭＦ分量中。当出现模态混叠时，会使单独的ＩＭＦ分量缺乏物理意义，而且会使ＥＭＤ算法不稳定。一为了减轻模态混叠现象ａｎ一一ＩＨｕｇ等提出种新的白噪声辅助数据分析方法ＰｙＥＥＭＤ集合经验模态分解。３．３．１ＥＥＭＤ原理模态混叠之所Ｗ会出现，往往与信号的间歇性有关，ＥＭＤ是按照由島到低的频率次序进行，，而信号的间歇性会导致当分解高频信号不完善时，为了满足算法需要就会一频率中调取一部分成分来弥补该部分的缺失从次高频或者此次分解频率的下，Ｗ至于ＰＷＥＭＤ将高频成分变成了混合成分。除此Ｗ外，如果两个成分的频率和幅值极为相近，基于算法自身的原因可能无法将两种频率完全分辨出来而出现奈舌Ｌ，也将影响到分量的一频率成分还有点就是噪声信号往往具有窩频特性，，其频率时常比真实信号还有高在分解过程中，它会取代真实信号高频成分的位置，使得分解的分量混杂着噪声成分，一ＰＷ也是模态混叠出现的个原因。在这些原因中，信号的间断性的影响占到了非常大的比重。一主要影响因素一为了消除模态混叠，特别是针对信号的间歇性这，种主要思想是加入特定的成分来改善信号间歇处的不足，使信号变连续，同时还要考虑到加入的特定成分不能对原始信号产生影响，Ｗ便保持信号原有特性。基于这些考虑，总体平均经验一模态分解（ＥＥＭＤ）应运而生，种基于噪声辅助的信号处理方法依据统计学理论一中不相关序列的统计均值为零这原理，向待分解信号中加入噪声，由于噪声为随机序列，频率均匀分布，故它在使原始信号中的间断变连续的同时，又因为统计均值为零，可相互抵消其对信号的影响。ＥＥＭＤ是ＥＭＤ算法的改进，它除了保留了ＥＭＤ的优点之外，又可有效抑制模态混叠，提高信号分析的精确度。１６ 华北电力大学硕±学位论文Ｗ３３．３．２ＥＥＭＤ分解算法一般来说，所有信号的测量数据都是由信号和噪声组成的，即：＝－；ｃｆｓｆ＋ｗ３８（）（）的（）送里，Ｘ的是记录的数据，５阳和Ｕ０是真实的信号和噪声。为了提高测量的正确性，类似于物理实验中对单个物理量的测量通过多次测量取平均值，在数据球仲引入白噪声，附加的白噪声被认为是在测量过程中可能遇到的随机＂＂噪声：，贝帕第次人为的观测值为＇＝ｘｆ＋－Ｗ３９式的（）ｆ（）一尽管附加的噪声可能导致较小的信噪比一，但附加的白噪声将提供个均化的相关尺度分布使ＥＭＤ更加容易。因此，低信噪比并不影咱分解方法，实际上可Ｗ帮助避免模态混叠。基于这个观点，加入白噪声这个附加的步骤可Ｗ帮助在数据中提取真实的信号，这种方法就是ＥＥＭＤ。其实现过程如下；①为待分解信号蛛）加入白噪声序列，得到信号是；（０②将信号；Ｗ按照ＥＭＤ步驟分解成不同的ＩＭＦ分量；③将①、②两步重复多次，但是每次都加入不同的白噪声；④求取相对应的ＩＭＦ分量的平均值作为对应的最终的ＩＭＦ分量目可表述为；；二ｆ－刪茲５＋（３１０），３．４支持向量机Ｖ一支持向量机ＳＶＭ是ａｐｎｉｋ等人根据统计学习理论提出的种学习方法，它在解决模态识别的小样本问题中表现出了独特的优势和良好的应用前景，己用于模态识别和特征提取等领域。ＳＶＭ可Ｗ采用少量的时域故障数据样本训练故障分类器，不必进行信号ＷＵ预处适来提取特征量，便可实现多故障的识别和诊断。ＳＶＭ是从线性可分情况下的最优分类面发展而来的－４的两，基本思想可用图３维情况说明。图中，五角星和圆圈分别代表两类样本，Ｈ为分类渐Ｈ、分别为过各类中ｉ离分类线最近的样本且平行于分类线的直线，它们之间的距离叫做分类间隔。所谓最优分类线就是要求分类线不但能将两类正确分开（训练错误率为０），而且使分类间隔最大。一分类线方程为＝我们可Ｗ对它进行归化，使得对线性巧分的样本集．３＝一乂．£！１．．丹丈£灰＋１１，满足，乂，，，，，少，（；）｛｝．－．－仍ｆ＇＋６１含＝．．．：０！１只．，３１１义，，［（，）］（）２２仿３－此时分类间隔等于２／，使间隔最大等价于使Ｈ最小。满足条件（１。且使仿最小｜｜ＩＩＩ＾ｗａｉ的分类面就叫做最优分类面，Ｈ、Ｈ２上的训练样本点就称作支持向量。ｉ１７ 华北电力大学硕±学位论文支持向量／分类间隔紙Ａ相支持向量ＩＩ玲＊最忧分冀线３＊４图ＳＶＭ分类示意图Ｖａｐｎｉｋ给出了求该最优分类面问题的解，即分类函数为：巧＝ｎｘ＋６－１／ｓ３２ａＷｇ２）ｗ（ｖ）（）－Ｍ＿其中乘子ａ，为目标函数；ｎｎ１＝ｒａ＂ＶＸ３－（）２＞，２＞，乂Ａ／）（巧（＾＝＝１１１１，７在约束＞＝０ｉ－ｌ２．．．ｎ３１４，，，，（）■＝０－巧狂讯（３＝ｉｌ？对应的样本点下的极大值点，非零ａ；ｃ＜为支持向量，阔值：，ｂ＝－．ｍＸ３－１ｙｉｉ（巧ｎ。＝－化３１７）弘（＝／１上面讨论的是线性问题，对非线性问题，可Ｗ通过非线性变换转化为某个高维空间的线性问题一般来讲比较复杂我们可注，在变换空间求最优分类面这种变换，但是意到－－，在上面的问题中，不论是寻优函数（３１３）还是分类函数３１２都只涉及训综样本之（）间的内积运算＞１，这样，在高维空间实际上只需进行内积运算，而这种内积运算是可１＾用原空间中的函数实现的，我们甚至没有必要知道变换的形式。根据泛函的有关理论，只一一要种核函数满足正定矩阵，它就对应某变换空间中的内积。因化在最优分类面中采用适当的内积函数就可Ｗ实现某一非线性变换后的线性分类－，而计算复杂度却没有增加，此时目标函数３１３变为（）１８ 华北电力大学硕±学位论文ｎｎ２－－＝ｘ？ＷａａＵａＫＸ－｛），ｙ，，３１，巧ＪＹ＾ｊｊｊ）（＾（＝＝ｉｌ／，ｙｉ相应的分类函数（３－１巧也变为巧＝ｎ＋＆－ｘｓｇ及和义１９乂（）公片｜（）（３）＝／１＿－ｔＷ常用的核函数有线性核函数、多项式核函数、径向基核函数、Ｓｉｇｍｏｉｄ核西数。３．５本章小结本章详细介绍了在后文会用到的两种算法的原理及计算公式。在阐明ＥＭＤ算法的原理后，同时总结了ＥＭＤ算法存在的问题。从其中横态混叠问题解决办法入手，引入了ＥＥＭＤ算法，详细阐述了ＥＥＭＤ相对于ＥＭＤ改进的原理。最后介绍了ＳＶＭ算法的原理与基本步骤，显示了机器学习的优势。１９ 华北电力大学硕±学位论文第４章基于ＥＥＭＤ时域特征参数的滚动轴承故障诊断４．１引言在滚动轴承状态监测和故障诊断的振动特征分析中，特征参数法占有重要位置。特征参数法的优点在于仅用少数指标来解释轴承的状态。此外，采，结果分析简单和方便用特征参数法评定轴承状态时不需要轴承Ｗ前的历史记录一，这是此技术另项具有吸引力的特征。然而，在工程中测取的滚动轴承故障振动信号常常受到随机噪声的干扰，使得信号的信噪比很低，特别是发生早期故障时，其微弱的故障信息完全淹没在噪声中。一而ＥＥＭＤ是种自适应的信号分解方法，利用该方法不仅能分离部分噪声，而且不会对信号造成扭曲，能较好地保留原始信号特征。若将两者结合起来就能取得较好的效果。而在传统的故障诊断中，，，对故障的识别主要依靠时、频谱分析从中找到故障特征并依据经验或者故障信息库进行对比识别，效率和正确率均得不到保证。本章仅用时域特征参数进行滚动轴承故障识别。４．２数据说明４．２．１数据来源（１）实验装置本文实验数据取自美国凯斯西储大学电气工程实验室的滚动轴承故障模拟实验台获取的滚动轴承故障数据。该数据可在美国凯斯西储大学轴承数据中必网站下载。该一一一－实验装置如图４１所示，该装置由台２马力的电动机，个扭矩传感器／编码器，个６２０５－２ＲＳＥＭ功率测试计，还有电子控制器姐成。驱动端轴承型号为ＳＫＦＪ，风扇端轴承ＳＫＦ６２０３－２民ＳＥＭ４－１型号为Ｊ，表列出了驱动端和风扇端轴承尺寸信息。电动化八功率测试计扭矩编巧器：？．三！：：！！！！！！＾贩．勺图４－１实验测试平台２０ 华北电为大学硕ｌ：学位论文表４－１驱动端轴承尺寸信息单位ｎｃｈｉ￣１１内圈直径外圈直径ｉｉ滚动体直径轴承节径－ＳＫＦ６２０５２ＲＳ０．９８４３２．．５．０４７２０．５９０６０３１２６１３７ＳＫＦ６２０３－２民Ｓ０．６６９３１．５７４８０．４７２４１．１２２（２）信号采集在风扇端和驱动端轴承座上２一１点钟方向各放置个加速度传感器来采集振动信息。６１２振动加速度信号由１通道数据记乗仪采集，风扇端轴承故障采样频率为ｋＨｚ，驱动端轴承故障采样频率有两种：１２ｋＨｚ和４８ｋＨｚ。实验根据电机负载不同，共有四种实验转速：空载时候转速为１７９７ｒ／ｍｉｎ，负载为１马力时候转速为１７７２ｒ／ｍｉｎ，负载为２马力时候转速为１７５０ｒ／ｍｉｎ，负载为３马力时候转速为１７３０ｒ／ｍｉｎ。（３）点蚀故障设置实验通过电火花加工的方式分别为驱动端和风扇端轴承内圈、外圈和滚动体制造点蚀损伤，损伤直径分别为０．００７ｉｎｃｈ、０．０２１ｉｎｃｈ、０．０２８ｉｎｃｈ和０．０４０ｉｎ沈。山于外圈损伤的位置是相对固定的，因此损伤点相对于轴承负荷区的不同位置对电动机／轴承系统的振动响应有直接的影响。为了量化这种影响，驱动端和Ｍ扇端轴承外圈的损伤点分别放置在３点钟６、１２、点钟点钟王个不同位貴。４．２．２数据分类－－本文采用驱动端采样频率为１２ｋＨｚ的故障信号，为了减少变量因素，只用种负载下的数据，确定为负载为１马力转速为７７２ｒｍｎ的数据。其中外圈故障采用外圈损伤１／ｉ点在６点钟方向的信号。采集的信号依据不同的参数都保存为单独的．ｍａｔ文件。ｉｌ根据点蚀直径的不同，可认为是滚动轴承的故障程度不同，因此７ｍ代表故障早期或者轻微故障，２８ｍｉｌ代表故障晚期或者严重故障，这就有了不同故障程度的数据。本文设计的诊断方法，诊断结果不仅指示故障类型，同时可Ｗ显示故障程度。假设故障特征参数不仅与故障类型有关，还与故障程度有关，即同种故障不同程度，其特征参数规律不同。Ｗ此为依据，，可［＾１将信号数据分为１２类对应不同故障类型的不同程－度，４２。这样划分的优势就是可Ｗ判断故障程度，见表，有利于制定不同的维修方案有实用价值。４－２表滚动轴承测试信巧分类单位ｍｌｉ轴承状态内岡故降外岡故降滚动体故巧‘甲￣￣￣￣￣￣１１，Ｊ点蚀直径７１４２１瓦１１４２＾１１４１＼百Ｍ１２３４５６７８９１０Ｕ一考虑到存在误差的情况，送种分类具有优势ＳＶＭ分类时，某个２，如果在組信号被识别为３组，这个结果在１２组分类中是错误的，但是从故障类型角度来看，送个＂＂，２１２组分类，错误是可Ｗ接受的因为、３组同属于内圈故障。因此，采用在只考２１ 华北电力大学硕±学位论文虑故障类型而不涉及故障程度时，可Ｗ化为４组分类，且识别正确率较高。４．３信号时域特征４．３．１原始信号时域特征（１）不同故障类型时域波形本章基于滚动轴承振动信号的时域特征参数为依据进行故障诊断，在时域信号进行正常与故障的时域图是不同的－上到下分别是正常、内圈ＥＥＭＤ分解前。如图４２，从，故障、外圈故障、滚动体故障的时域波形图。正常信号时域波形ＩＩ１ｉＩ１ＩＩＩ一ＣＭ２－ＪＯＥｌａＵ微－畏－２－１１１！：Ｉｉ］１．１００．．０６０．０７０．０８０．０９０．０１０．０２０．０３０．０４００５０内圈故障信号时域波形ＩＩＩＩＩ！Ｉ１—Ｍ２－Ｃ０ｖ＾｜ｌ沒－畏－２－－１Ｉ１．ＩＩ１ＩＩＩ．１００．．．０４０．０５０．０６０．０７０．０８０．０９０．０１００２００３０外圈故障信号时域波形４ｉ■ｉＩＩＩ［１Ｉ」Ｉ！１■Ｊ１Ｊ＿？Ｉ—Ｉ．０９０．１００．０．０４０．０５０．０６０．０７０．０８０．０１０．０２０３０滚巧体故障信号时域波形￣＊！ＩＩＩＩ１Ｉ［ＩｊＣＭ２－巧－导－２－ＩＩＩＩ０．１．０６０．０７０．０８０．０９０００１．０２００３０．０４０．０５．００．时间ｓ图４－２滚动轴承正常与故障的时域波形对比２２ 华北电力乂学硕：｜：学位论文，通过对比可看出，正常信号相比于故障信号，加速度幅值较小没有明显冲击，且没有表现出明显的高频周期特征，这是因为正常信号中包含的是基本轴转频率及其谐一。波，总体保持在低频段通过对比时域图，内圈故障与外圈故障有定相似性，都有较强的冲击，且都表现出高频的周期性，但内圈故障显得有些杂乱，说明其中包含的频率成分比外圈故障要多。滚动体故障的时域波形图与内圈、外圈故障的时域波形图有很大区别，，较为杂乱看不出明显的周期性，故障信号、噪声信号等将正常的轴转信号完全掩盖，这是因为滚动体在轴承旋转时，不仅随着内圈转动，还有自身的转动，因此时域波形较为复杂。点蚀直径为７ｍｌｉ■１ＩＩＩＩＩＩ１－－ＣＭ２齊导－２－ＩＩＩＩＩ１ＩＩＩ００．０１００２０．０３０．０４０．０５０．０６０．０７０．０８０．０９０．１．点蚀直径为１４ｍｉｌ］ＩＩＩＩＩＩＩ］ＣＭ２－‘脅ｌｉ畏－２－ＩＪＩＩ１１ＩＩＩ００．０１０．０２０．０３０．０４０．０５０．０６０．０７０．０８０．０９０１．点蚀直径为２１ｍｉｌＩ］Ｉ［ＩＩＩＩｉＳ－－Ｉ２Ｃ导－２－＇－ＩＩＩＩＩＩ！ＩＩ０００１００２０．０３０．．．．．．０４００５０．０６００７００８０．０９０．１点蚀直径为２８ｍｉｌＩＩＩＩＩＩＩＩｉＩ＇ｊ，巧－２－！－Ｉｊ：］［ｊＩｊＩ００．０１０．０２０．０３０．０４０．０５０．０６０．０７０．０８０．０９０．１时间ｓ圏４－３滚动轴承内閣故障不同点蚀直径的时域波形对比２３ 华北电力大学硕±学位论文同时，，对比可Ｗ看出正常信号振动加速度幅值很小，而内圈故障、外圈故障的振动幅度放大了１０倍左右，而滚动体故障振动幅度则小很多只比正常信号略大。，（２）不同故障程度时域波形－、２８，４３，７ｍ１４ｉ２１ｍｍｉｌ，Ｗ内圈故障为例图数据选择点蚀直径依次为ｉｌ、ｎｉｌ、ｉｌ代表故障从早期到严重等四个阶段。通过对比可Ｗ看出，故障程度不同，时域波形也表一定差异。故障早期振动的周期性较为明显，且振动幅值也比较大现出；之后随着故障发展，频率成分发生了变化，周期性冲击减少，但振动幅值依然比较大；之后在振动幅值不变的情况下，，，巧击次数增加高频成分增加到了故障晚期周期性表现不明显，；显得杂乱，但振动幅值有所增大。图中的对比可Ｗ看出点蚀直径为Ｍｍｉｌ时的时域波形一ｉ反而比７ｍｌ的波形振幅要小，且频率成分单，应该是滚动体经过直径为１４ｍｉｌ的点蚀产生的振动与固有振动形成了消减。，导致频率成分减少４．３．２ＥＥＭＤ分解的信号时域特征Ｗ内圈故障为例，分别进行ＥＭＤ和ＥＥＭＤ分解。（１）ＥＭＤ分解后的信号时域特征－，得到８个，４。按照ＥＭＤ进行ＥＭＤ分解后ＩＭＦ分量各ＩＭＦ分量时域波形如图４，的原理分解得到的，，ＩＭＦＩＭＦ１分量最接近原始信号随着分解不断进行分量成分越一一来越简单，直到最后个残余分量呈现单调减，而ＩＭＦ也按照不同尺度，从高频到低頻尺度分Ａ。理想的目ＭＤ分脾是，８个ＩＭＦ，还可分豈和残余分望袖互涵加ｔｉｌ还原原始信号，。从分解到重构的过程看；其实就是个减法到加法的过程，减法求异剥离出频率（周期）大致相同的ＩＭＦ，而加法求同，回到原始波形。残余分量其实是个趋势线，即频率极低（周期很长）的波，可Ｗ看成是个基底，其它ＩＭＦ都构筑在它之上。（２）ＥＥＭＤ分解后的信号时域特征－，得到９个ＩＭＦ分量５。进行ＥＥＭＤ分解后，各ＩＭＦ分量时域波形如图４对比可ＥＥＭＤＥＭＤＥＭＤ一ＩＭＦＷ看出，与分解过程基本类似，但Ｅ相比多个分量。从图中发现ＥＥＭＤ的第６和第７个分量波形图比较接近，而ＥＭＤ分解的各个分量之间差异较大；＂＂＂＂且ＥＭＤ的分量的波形比较光滑但不够均匀，，而ＥＥＭＤ的波形却更为均匀均匀一分量中的频率成分较为集中就代表同。而且实际中的振动信号往往包含山化频到高频的复杂频率，甚至存在调制现象。ＥＥＭＤ针对时间尺度的划分更细致，也就从分解的角度，尽可能避免了模态混叠现象，使频率成分的分离更为清晰。一ＥＥＭＯ与ＥＭＤ的差异在一后章节中会从频域角度进步分析，而且在本章的故障诊断方法中，通过适量的信号训练，经ＥＥＭＤ分解的分量比经ＥＭＤ分解的分量所包含的故障特征更为正确，在故障诊断识别中，指向性更为明确。２４ 华北电力火学硕±学位论文２１１１２〇０．０２００４００６００８０１．．．．０＇．５＇＇己＿ＩＩＩＩＱ５００．０２００４００６００８０．１．．．０５．Ｉｉ！Ｉ＾＇－＾ｖｗｗＡｗｗｖ０ｌ＾Ｊ１ｌＶｗｖｖｗｖｗｖ＼ｒ／Ｗｗｖｖｌ／ｖ／）Ｊ＾Ａ＼｜Ｖ＼／ｌＶＡ／＼＼ｙ／ＹＪ／＼／／養ｙ｜＾＿｜ｊＪ一＇＾ｉ＾＇－０．５００．０２００４０．０６０．０８０．１．０１１１．．，０＾＂＾ｍｗａ＾ＷＶＷＶ／ｗＶＷｖＷ＼麵ＷＶＶＶ＼／－＇＇ｉ＇０１．００．０２０．０４０．０６０．０８０．１０１．０５１１１［０－Ａ？／＼Ａ＾ＷＶ＼／＼／ＶＩｋＡＡ／ＷＶ＼／－＇ｉ＇００５＇．００．０２０．０４０．０６０．０８０．１０．０２１．１１—０ＱｇＩＩ１Ｉ＇日－３０．０２０．０４０．０６０．０８０．１Ｘ１０丰ＩＩＩＩ日－０．０２０３．０４０．０６０．０８０．１Ｘ１０＂＂＂＇＇■■＇＂弓ＩＩＩＩＩ。画ｄＩＩＩＩ｜０－０．０２０．０４０．０６０．０８０．１３Ｘ１０广＇５ＩＩＩ＇＿＿＿０－＾￣當：＿ｇＩＩＩＩ００．０２０．０４００６０．０８０．１．图４４内圈故障ＥＭＤ分解図２５ 华北电力大学硕－上学位论文—２１－．」Ｉ０００２０．０４０．．０６０．０８０．１＊０５－￣ｒ１．Ｉ２－１ｊＩ１０５＿００．０２０．０４０．０６０．０８０．１－■０ＩＩＩ．５＾＇＇＾＇＇＾＇＂＾＾ｗＶｌｒＷＷ＇＾０＾／ＷｗＷＷｔａＡＷｉ／Ａｖ％＾＼＼／／ＶＷ＼／（ｙＶ＼／ＡＷＬｒＶｗ＼Ａ＾ｙｙｙ｜ｙｙ＼／ｙ｜＾｜Ｌ－０——＾－—Ｊ—Ｉ＾．５００．０２０．０４０．０６０．０８０．１－０Ｉ＾一＾一＾Ｌ１．００．０２０．０４０．０６０．０８０．１—下一０－，ｒｒ．０５＾０Ｌ／Ａ／一？？ＩＬｉｊ－０■．０５０００２００４００６００８０１．．．．．０．０５＇１１１。：，＇、＇、＇■＇、＇－’—？？￣－￣￣—■—＇、、———、■—．＇＾—－＾＿一＾Ｓ０、－＿－ｉＩ－ｊ０■０５００．０２０．０４００６００８０．１．．０．０２．．．．＾Ｉ’＾０一—Ｉ＇＇－００２＇＇．００．０２０．０４０．０６０．０８０．１、＾＂－．？一０＾？Ｉ＼一■＇＇＇＾－０．０１０００２０．．．０４０．０６０．０８０１０ｉ．０１１１ｉ１——￣＇－■＇１＇０．０１００．０２０．０４０．０６０．０８０．１００５１１１１．＇＝￣■—＇￣￣ｗ０ｉ＾——＇＇－０＇．０５４００．０２０．０４０．０６０．０８０．１图４－５内罔故障ＥＥＭＤ分解图２６ 华北电力大学硕±学位论文４．４故障诊断方法设计４．４．１数据分组进行口组分类故障识别，其中正常取８０姐数据，内圈故障依４种不同故障程度分别取４０组数据，共１６０组数据：外圈故障依３种不同故障程度分别取４０组数据，共１２０组数据；滚动体故障依４种不同故障程度分别取４０组数据，共１６０组数据，总计５２０一半输入組数据。不同状态的数据均等分为两部分，ＳＶＭ支持向量机作为样本进行学习一，另半作为测试样本用来识别。４．４．２诊断流程具体诊断方法流程图如图４－ＭＤＥＭＤ１２所示，它采用Ｅ（Ｅ）方法对滚动轴承振动信号进行预处理，然后求出所有ＭＦ分量的时域特征参数参数，组成故障特征向量ＳＶＭ作为分类器来识别滚动轴承的工作状态和故障类型。一（．１）按定的采样频率分别对滚动轴承的几种状态（正常、内圈故障、外圈故障、滚动体故障）进行采样；（２）对每个样本信号进行ＥＭＤ（ＥＥＭＤ）分解，得到各信号的各ＩＭＦ分量；（３）求各信号和各信号的各ＭＦ分量的时域特征参数，组成特征向量；一（４）将滚动轴承的几种状态（正常、内圈故障、外圈故障、滚动体故障）的部分特征向量输入ＳＶＭ，对ＳＶＭ进行训练；（５）将剩下的特征向量作为测试样本输入ＳＶＭ进行分类计算，并将分类函数的输出结果与测试样本的真实故障类型（或工作状态）进行比较，计算正确率。Ｊ＾ＪＩＪＩＩＩＩ原巧动信ＥＭＤ／ＥＥＭＤ分提取特征ＳＶＭ故障模式—＾￣＾￣＾＾号解向量分类器识别图４－６故障诊断流程图４．５基于峭度指标的滚动轴承故障诊断４．５．１基于ＥＭＤ峭度的滚动轴承故障诊断按照故障诊斯流程，先对原始信号分别进行ＥＭＤ分解，然后分别计算各ＩＭＦ分量的峭度值－此作为特征向量进行训练与故障识别。分类识别结果如图４。，Ｗ７具体分类正确率如表４－３。从表中可Ｗ看出，内圈故障中，对早期故障识别正确率达到１００％，对直径１４ｍｉｌ点蚀直径的故障识别正确率只有５５％，相对于严重故障的８０％而言比较低。这可能与之前时域波形分析时发现的波形特征—振动频率成分减少相吻合。，早期与严重故障的诊断正确率均达到１００％外圈故障中，而处于１４ｍｉｌ的中度故障２７ 华北电力大学硕±学位论文正确率为６５％，总体来说，对外圈故障识别效果较好。滚动体故障中１１组２１ｍｉｌ，只有严重故障的正确率达到９０％，其余均较低，尤其是的正确率仅为２０％，严重影响了滚动体故障整体的识别率。７。正常状态正确率为７．５％，整体正确率为７６．１５％，识别效果还有待提高表４－３基于ＥＭＤ峭度的分类正确率Ｓ类别号正确数量总数量正确率（％）１３１４０而２Ｍ２０ｍ内圈３１１２０５５故障４１８２０９０５１６２０８０６２０２０ｍ外關７１３２０６５一故，障８２０２０１００９１０２０５０滚动体１０１７２０８５故障１１４２０２０２０９０１２１８整哥ｍ７＾ｍｍｍ１２心Ｔ７１１斗１｜■ＩＩＩ，；Ｉ絕！＾Ｉ＾Ｉ１ＩＩＩＩ）１－－－ｉ－■１＞１０修牛旬曲醒；ＩＩＩｉｉｊ＋＋＋固－料＊＋Ｉ；；ｉ１．ＩＩｔ占ＩＩＩＩＩＱＩＬＬ．ｉ—ｉＧｉＳＨＢＢＥＩＩＩｊＩＩＩＩＩＩＩＩ－－－半ｍｓｍ夺新坤ＩＩ１鲁聲＾！！Ｉｔｌｌ１ｉ——６＾主１【和Ｊ霖絲；；；；！；命Ｉｍｍｍｉ普种＊’ＩＩＩＩＩＩ４－＾：Ｉ０实，Ｉ；际类别；Ｉ＊；诊断类别１－－２ｍｓｍ１１１ＪＩＩＩＩＩＩＩＩＩＩＩ＞ＩＩ夺Ｉ抑术丰ＩｉＩＩＩ１１ＩＩ！］ＩｔＩＩＱ１０酣１００１５０２００２５０３００诊断样本图４－７基于ＥＭＤ峭度的诊断分类图２８ 华北电力大学硕止学位论文４．５．２基于ＥＥＭＤ峭度的滚动轴承故障诊断ＥＭＤ分解效果不尽人意，现在按照故障诊断流程，先对原始信号分别进行ＥＥＭＤ分解，然后计算各ＩＭＦ分量的峭度，Ｗ此作为特征向量进行故障识别。分类识别结果如４－８－图。具体分类正确率如表４４。表４＾４基于ＥＥＭＤ峭度的分类正确率＾类别号正确数量总数量正确率（％）Ｓ１Ｍ４０１ＯＴ２４０Ｙｑ１００内圈３２０２０５０故障４１０２０９０５１８２日１００６１８２０９０外圈７４２０２０故障８２０２０１００￣￣９１６＾ｉｏ滚动体０１５２０７５１故障Ｈ４２０１５１１２２０２０００整体＾ｍ７８．４６１２ｗｍｍＴＴ，１，广ＩＩＩＩＩＩＩＩＷ来术ｉ夺翊？陵ＩＩＩＩＩ＞ＩＩ１－■－－■１０＾＜ｔＩＩＩＩ来翊戲ＷＩＪＩ；；■．．ＩｔＩ＜．ｔ■８■－…■＊ｆ寺！：＼ＩＩＩｔＩ■ＩＩ牛韦：补Ｉ！￣１－－－－Ｈ－６１齋ｍｓｍ：Ｊ獄｜；；！：；；Ｉｆｌｍ－ＩＩｉＢ化株特夺ＩＩＩＩＩＩＩ（１ｔ４——恥—－－靜帝：：１￣ｊ；；Ｉｉｉ际类别：：＊诊类别；！：ＩＩＩ２－－Ｆｉｉ１ＩＩＩ１１ＩＩ＇ｉ《画田Ｉ奇啦Ｉ林Ｉ本ＩＩＩＩＩＪＩＩＩＩｉｌｌＩＩＩ０Ｉ１［ＩＩ０５０１００１５０２００２５０３００诊断样本图４－８基于ＥＥＭＤ峭度的诊断分类图２９ 华北电力大学硕±学位论文从表中可Ｗ看出，内圈故障中，对早期故障与严重故障识别正确率均达到１００％，对直径１４ｍｉｌ点蚀直径的故障识别正确率只有５０％，而２１ｍｉｌ严重故障的正确率为９０％。外圈故障中，严重故障的诊断正确率达到１００％，早期故障正确率也在９０％，而处于１４ｍａ的中度故障正确率仅为２０％，严重影响了外圈故障整体的识别率。１，只有严重故障的正确率达到１００％ｍｉｌ滚动体故障中，其余均较低，尤其是１１組２的正确率仅为１５％。正常状态正确率为１００％，整体正确率为７８．４６％，识别效果还有待提高。４．５．３分析与讨论如表４－５。，基于ＥＥＭＤ分解的峭度指标故障诊断整体正确率略高于ＥＭＤ分解针对正常信号的诊断，ＥＥＭＤ为１００％，ＥＭＤ为７７．５％，相比之下，Ｗ峭度为指标，ＥＭＤ分解存在将正常信号错误识别为故障信号的风险。在内圈故障中，对第３类的识别正确率均在５０％左右，说明内圈故障１４ｎｉｉｌ时，振动的不显著影响了故障的诊断效果。，早期与严重故障的正确率相近，在外圈故障中，但ＥＥＭＤ对１４ｍｉｌ的正确率仅为２０％低于ＥＭＤ的诊断正确率，说明ＥＥＭＤ在外圈故障诊断中没有优势。在滚动体故障中，严重故障正确率相近，ＥＥＭＤ对早期故障的正确率较高，但是ＥＭＤ和ＥＥＭＤ对２１ｍｉｌ的正确率均很低，说明该方法对滚动体故障２１ｍｉｌ不敏感。总体来说，ＥＥＭＤ在整体正确率有优势，但个别故障诊断效果并不好。表４－５比ＥＭＤ与ＥＥＭＤ分类对—Ｓ类别号ＥＭ６正确率（％）ＥＥＭＤ正确率（％）Ｅ＃Ｉ而１００￣ｒ＂ｍ内圏３５５５０故障４９０９０５８０１００￣６％外圈７６５２０故障８００１００１－——滚动体１０８５７５故障１１２０１５１２９０１００－．整体＇ＫｌＳ７＾考虑到ＳＶＭ在识别过程中存在误差，因此，在仅考虑进行故障类型识别的情况下，可Ｗ将错误的分类按照故障类型的大类别重新统计，得到故障类型分类的总正确率，如３０ 华北电力大学硕±学位论文－６表４。表４－６重新统汁后的分类对比ＳＥＭＤ正确率（％）ＥＥＭＤ正确率（％）３Ｗｓ１Ｗ内圈８２．５８７．５外圈８８．３３７０滚动体拍．５９１．２５整体７７．６９８６．５４ＥＭＤ与ＥＥＭＤ整体识别正确率均有提高，ＥＥＭＤ高于ＥＭＤ，但是ＥＥＭＤ在外圈故障识别中，正确率低于ＥＭＤ，仅有７０％，而在内圈故障与滚动体故障识别正确率相化于ＥＭＤ有明显优势，且不存在将正常信号误判的可能。。峭度指标作为单特征参数在进行故障诊断时，诊断效果有待于提离４．６基于均方根值指标的滾动轴承故障诊断对基于峭度指标的故障诊断分析后，进行基于均方根值指标的故障诊断分析。４．６．１基于ＥＭＤ均方根值的滚动轴承故障诊断按照故障诊断流程，先对原始信号分别进行ＥＭＤ分解，然后计算各ＩＭＦ分量的均方根值－，Ｗ此作为特征向量进行故障识别。分类识别结果如图４９。具体分类正确率如表－４７。表４＊７基于ＥＭＤ均方根值的分类正确率？类别号正确数量总数量正确率（％）１ｍ＾ｉｏｏ２ＭＭ１００内圈３１８２０９０故障４２０２０１００５２０２０１００￣６１９Ｍ外圈７１９２０９５＿故障８２０２０１００９１４２＾而滚动体１０１７２０８５故障１１１４２０７０１２２０２０１００整体２４１ｍ９１＾３１ 华北电力大学硕上学位论文————ｉＳ１２ＢＳＢＭＢ１ｉＩＩ了ｊ－－■－－－ｊｅＳａＷＩＫＢＩＩｉ（）ＩＩＩ）＃－４－１１马＜４１０＇Ｉ＇＇Ｉ普扣阵８＾——ｆ７｜ｊａａｒｔｗｆｅ＾Ｉ林ＩＩＩ１－－－１＾！＊霞０ｍａｍ’爭１１１，，ＩＩＩＩ－４Ｊ：ｊ！ａａｗａｆｆｅ牛＊ＩＩＩ拂ＩＩＩ！２１１１ｉ！：ｏ实际类别：ｉ１＝＋诊断类别ＩＩＩｊＩ１＇＇〇ｌ１１ｉ０如１００１甜２００２５０３００诊断样本图４－９基于ＥＭＤ均方根值的诊断分类图－，从表４７中可Ｗ看出，内圈故障中其，对不同故障程度的诊断巧别正确率均很高中对直径１４ｍｉｌ点蚀直径的故障识别正确率为９０％，相对其他略低。外圈故障中１００％，故障早期和中期的诊断正确率，严重故障的诊断正确率均达到为９５％，整体对外圈故障诊断效果较好。滚动体故障中，只有严重故障的正确率达到１００％，其相对较低，尤其是９组和１１一；组的正确率为７０％，定程度影响了滚动体故障整体的识别率。正常状态正确率为１００％，整体正确率为％．７６％，识别效果相比于峭度指标有了非一定实用价值常大的提高，说明基于均方根值的故障诊断方法具有。４．６．２基于ＥＥＭＤ均方根值的滚动轴承故障诊断ＥＭＤ分解的结果己经有很大提高，接下來进行ＥＥＭＤ分解。按照故障诊断流程，先对原始信号分别进行ＥＥＭＤ分解，然后计算各ＩＭＦ分量的均方根值，Ｗ此作为特征－向量进行故障识别。分类结果如图４－１０。具体分类正确率如表４８。－８，，其从表４中可Ｗ看出，内圈故障中对不同故障程度的诊断识别正确率均很高中对直径１４ｍ８５％，相对其他略低。ｉｌ点蚀直径的故障识别正确率为１，外圈故障中，早期故障的诊断正确率均达到００％故障中期和严重故障的诊断正确率略低。４ｍ２８ｍ１，７ｍｉｌ８５％２１ｍｉｌ的正滚动体故障中１ｉｌ与ｉｌ的正确率为００％的正确率为，确率仅有５５％，诊断效果有待提高。３外圈故障效正常诊断全部正确，整体正确率为９．０８％，说明该方法诊断内圏故障与３２ 华北电力大学硕±学位论文果较好，滚动体故障诊断效果相比其他两类故障正确率较低。表４－８基于ＥＥＭＤ均方根值的分类正确率ｉｉ类别号正确数量总数量正确率（％）１４０４０ｉｗ２Ｍ２０ＩＴＯ内圈３１７２０８５故障４２０２０１００５２０２０１００￣６＾２０外圈７１９２０９５心。＊故賠８１８２０９０９１７ＷＳ５滚动体１０２０２０１００１２０放障１１１５５１２２０２０１００整体＾＾９３．０８￣－－＿１２ｍｍｍ－ｒ了半１，，ＩＩｉｔＩ■Ｉ半本杏翔田Ｂｉ吸辛ｔＩＩＩＩＩＩＩＩ：．如＋．、ｉｉｍ１１０ｉｒｆＩＩＩＩＩＩ种誦篇错牛ＩＩＩ跨ＩＩ—一－８一ｆ｜ｊＩＩＩＩＩＩ＞ｍｓｍＩＩＩ米Ｉ！１！－－６ｎｍｍｍ＾號靜１１１Ｉ！：Ｉ：Ｉ■ｍｗＩＩＩＬ一４—－一一＿＿；ｔＩＩＩＩＩｍｍｍＩＩ丰；料寺Ｉ；Ｉ２ｍｓｓｓｍ－１１１１１＿？；Ｉ；ＩＩ〇实际类别ＩＩｓ？＊？＊诊断类别ＩＩＩｉＩｌ１１１１Ｉ〇１０５０１００巧０２００２５０３００诊断样本團４－ＥＥＭＤ均１０基于方根值的诊断分类图４．６．３分析与讨论－９ＥＥＭＤ分解的峭度指标故ＥＭＤ分解。如表４，基于障诊断整体正确率略高于针对正常信号的诊断，ＥＭＤ与ＥＥＭＤ均为１００％正确判断，不存在将市常轴承诊断为存在故障的可能。３３ 华北电力大学硕±学位论文ｍｉｌ诊断正在内圈故障中，两者趋势相同，巧为１４确率略低，其原因与故障信号自身特点有关。在外圈故障中，ＥＭＤ与ＥＥＭＤ呈现了不同的特点，ＥＭＤ对严重故障诊断正确率为１００％，其他略低，对，。说明；ＥＥＭＤ正相反早期故障的诊断正确率为１００％其他略低ＥＥＭＤ对滚动轴承外圈早期故障诊断更有优势，在故障程度判断中，二者可Ｗ实现互补。在滚动体故障中，二者趋势接近，但ＥＥＭＤ对２１ｍｉｌ故障诊断正确率低于ＥＭＤ的。效果，说明对该故障程度信号不敏感，但其他程度均有所提高总体来说，ＥＥＭＤ在整体正确率有优势，但个别故障诊断效果并不好。表４－９ＥＭＤ与ＥＥＭＤ分类对比０Ｓ类别号ＥＭＤ正确率（／。）ＥＥＭＤ正确率（％）￣Ｓ１００２内圈３９０８５故障４１００１００５１００１００６９５１００外圈７９５９５故障８１００９０９ＴＯＳ５滚动体１０８５１００故障１１７０５５１２１００１００技体９２＾９３］＾考虑到ＳＶＭ在识别过程中存在误差，因此，在仅考虑进行故障类型识别的情况下，可Ｗ将错误的分类按照故障类型的大类别重新统计，得到故障类型分类的正确率，如表－４１０。表４－０１重新统计后的分类对比ＨｉＥＭＤ正确率（％）ＥＥＭＤ正确率（％）Ｍ１００ｍ内圈９７．５９６．２５外圈９８．巧９５滚动体９０９５９５７７９６整体．．１５３４ 华北电力大学硕±学位论文－ＥＭＤ正从表４１０中可看出，ＥＭＤ与Ｅ确率均有提島，ＥＭＤ在内圈故障，其中与外圈故障诊断中更有优势，ＥＥＭＤ在渡动体故障诊断中正确率较髙。在重新统计过程中发现，１１组正确率较低是因为部分被识别为９组，因此从故障种类诊断角度来看，ＥＥＭＤ更有优势。综上所述，基于ＥＥＭＤ均方根值的故障诊断方法是可行且有效的，ＥＥＭＤ在整体故障诊断中具有优势，但仍有提鳥空间，尤其是滚动体故障。４．７基于时域多参数指标的滚动轴承诊断一按照单时域参数指标进行分析对比之后，，考虑将Ｗ上两种时域参数指标进行结合用综合指标进行故障诊断，并将ＥＭＤ与ＥＥＭＤ的诊断结果进行对比分析。４＾．１基于ＥＭＤ时域多参数的滚动体故障诊断按照故障诊断流程，将之前ＥＭＤ分解后，各ＩＭＦ分量求得的峭度与均方根值前后－－排列作为特征向量进行故障识别。分类识别结果如图４１１。具体分类正确率如表４１１。表４－１１基于ＥＭＤ时域多参数的分类正确率类别号正确数量总数量正确率（％）Ｓｉ４０＾２２０＾１００内圈３２０２０１００故障４２０２０１００５２０２０１００￣６＾＾１ＴＯ外圈７１６２０８０山。立故障８２０２０１００９１７＾Ｓ５滚动体１０１６２０８０故障１１１３２０６５１２２０２０１００整体２４２ｍ９＾一－从表４１１中可Ｗ看出，内圈故障中，诊断正确率均为１００％，与単参数的诊断结果相比，有了很大提离，可见時域多参数法针对内圈故障诊断是十分有效的。外圈故障中，早期和严重故障的诊断正确率均达到１００％，１４ｍｉｌ故障正确率为８０％，相比较低一，与单参数结果相比，高于峭度指标而低于均方根值指标。滚动体故障中，严重故障的正确率为１００％，１１组２１ｍｉｌ故障正确率为６５％，但相一比于单参数的诊断结果，有了很大提高。７ｍｉｌ与１４ｍｉｌ的正确率同样介于峭度指标与均方根值指标之间。３５ 华北电力大学硕－上学位论文１２－—Ｔ，］Ｔ＇｜ＩＩＩＩｔ－■４－：ＩＩ＊ＩＩＩＩＩＩＩＩＩｔＩＩ—－－１４＋１＜１０ＩＩＩＩＩＩ）ＩＩＩＩ本縫圓料卑Ｉ＾；ＩＩ；ＩＩＩＩＩＩ８—ｆ１Ｉ１ＩＩＩＩＩＩＩｉ＇ＩＩｗｓ＾卡：味！ＩＩＩＩＩＩＩｉ－＋＾ｍｓｍ：；憂６１Ｗ＼ＩＩＩＩＩ１ｔｉｌｌ４－－７１１｝［ｍｍｍＩ；！ＩＩ！Ｉ２了１１１１；〇实际类另ｉｉ；ｉＩ＾；；：＊Ｓ品类另ｉｊ１１｜Ｉ０—＊—■＾＇０５０１００巧０２００巧０３００诊断样本阁４－１１基于ＥＭＤ时域多参数的诊断分类凶整体正确率为９３．０８％，诊断效果与均方根值接近，部分故障诊断有提升，也有部分故障诊断有所下降，原因就在于峭度指标的诊断效果不好，从而降低了多参数的整体诊断正碗率。４．７．２基于ＥＥＭＤ时域多参数的滚动体故障诊断分析完ＥＭＤ诊断结果之后，按照故障诊断流程，将之前ＥＥＭＤ分解后，各ＩＭＦ分量求得的峭度与均方根值前后排列作为特征向量进行故障识别。分类识别结果如图４－－１２。具体分类正确率如表４１２。－１２９５％可Ｗ看到，内圈故障中，从表４，１４ｍｉｌ故障正确率为相比峭度指标有了很一大提高比均方根值有，。，相定提高总体针对内圈故障的诊断是有效的表４－１２基于ＥＥＭＤ时域多参数的分类止确率Ｓｉ类别巧化确数Ｍ总数结正确率（％）１＾４０１００２＾＾内圈３１９２０９５故障４２０２０１００５２０２０１００６ＷＭ外圈７１８２０９０故，障Ａ８１８２０９０３６ 华北电力大学硕壬学位讫文表４－１２（续表）Ｓ类别号正确数量总数量正确率（％）９１４２０７０滚动体１０１８２０９０故障１１１１２０５５１２２０２０１００￣整体２＾９１５４．－１２ｍｍ）「ｒＴ，１ｓ１１ＩＩＩＩ１＾１１Ｉ＃詞ｗａｒｎ：Ｉ１＂１０味＋＇－ＭＨＫｔＩＩ１Ｉｔ——＊－－—－—８＇Ｗｓｓｓ＾ＩｊＩ＼！ｍｍｍ１＼Ｉ１－－愚６爭１１Ｊ粉ＩＩＩＩＩＩＩｉｌｌ）ＩＩＩＩＩｊ＊Ｉ？４］－－ＭＷＢ２）７１１１１＇＇＇〇实际类别ｎａｇｇｕａａｍＩ｜＋诊巧类别Ｉ；；；；Ｌ一．１１０１＇０知１朋甜２朋２胡３００１诊断样本图４－ＥＥＭＤ时域多参数的诊断分类１２基Ｔ幽外圈故障中，其诊断正确率趋势与均方根值指标相同，针对早期故障较为有效，总体圧确率介于峭度指标与均方根值指标之间。滚动体故障中，严重故障正确率为１００％，１１组２１ｍｉｌ故障最低，与均方根值指标持平，高于峭度指标诊断结果。９１５４整体准确率为．％，介于均方根值指标与峭度指标之间。４．７．３分析与讨论４－ＭＤ，ＥＭＤ如表１３基于分解的时域多参数指标故障诊断整体正确率略高于ＥＥ分解。针对正常信号的诊断，ＥＭＤ与ＥＥＭＤ均为１００％正确判断，不存在将正常轴承诊断为存在故障的可能。在内圈故障中，ＥＭＤ诊断正确率全部达到１００％，而ＥＥＭＤ的１４ｍｉｌ诊断正确率略低。在外圈故障中，ＥＭＤ与ＥＥＭＤ呈现了不同的特点，ＥＭＤ对１４ｍｉｌ故障诊断正确率为８０％，ＥＥＭＤ则对１４ｍｉｌ、２１ｍｉｌ故障诊断准确率均为９０％。在滚动体故３７ 华北电力大学硕±学位论文障中，二者趋势接近，但ＥＥＭＤ对７ｍｉＫ２１ｍｉｌ故障诊断正确率低于ＥＭＤ的效果。表４－１３ＥＭＤ与ＥＥＭＤ分类对比Ｓ类别号ＥＭＤ正确率（％）ＥＥＭＤ正确率（％）止常Ｉ２１００内圈３１００９５故障４１００１００５１００１００６外圈７８０９０故障８１００９０９ＥＷ滚动体１０８０９０故障１１６５５５１２１００１００整体９１０８９Ｌ５４考虑到ＳＶＭ在识别过程中存在误差，因此，在仅考虑进行故障类型识别的情况下，可Ｗ将错误的分类按照故障类型的大类别重新统计，如表，得到故障类型分类的正确率－１４４。－：表４１４重新统计后的分类对比￣＇￣■ＳＥＭＤ正确率（％）ＥＥＭＤ正确率（％）！￣＇Ｍ１００内圏１００９８．７５外圈９３．．３３９６６７滚动体９７．．５９６２５整体９７．的９７．６９从表４－１４可Ｗ看出，ＥＭＤ与ＥＥＭＤ的诊断正确率都有了较大提高，ＥＭＤ对内圈故障与滚动体故障的诊断正确率均高于ＥＥＭＤ，而ＥＥＭＤ表现出的是各种故障诊断的。均衡，没有很低的数据一综上，基于时域多参数的滾动轴承故障诊断的结果与单特征参数故障诊断相比，总体有提升，但由于哨度指标的诊断效果并不理想，所Ｗ也影响了多参数指标的诊断效果。在ＥＭＤ于ＥＥＭＤ诊断的比较中，ＥＭＤ在部分故障种类诊断中优于ＥＥＭＤ诊断效果，但整体上基于ＥＥＭＤ的诊断结果更为均衡。４．８本章小结一本章提出了种基于ＥＥＭＤ分解—，Ｗ时域特征中的两个参数峭度、均方根值为３８ 华北电力大学硕±学位论文特征量进行滚动轴承故障诊断的方法。并对ＥＭＤ和ＥＥＭＤ分解的诊断结果进行对比，ＥＥＭＤ的诊断正确率要高于ＥＭＤ，且将均方根值作为特征参数的诊断正确率要远高于一将峭度作为特征参数的正确率，证明均方根值是个有效的时域特征参数。而将两个时域参数组合成多参数诊断方法，其诊断正确率整体有所提高，部分故障诊断正确率介于哨度指标与均方根值指标之间。３９ 华北电力大学硕±学位论文第５章基于ＥＥＭＤ频域特征参数的滾动轴承故障诊断５．１引言一上章中选取时域特征中具有代表性的两个特征参数作为指标进行故障诊断，证明了时域参数的有效性。特征参数法不仅包括时域恃征，还包括频域特征，本章将重也频率、巧方根频率作为频域指标进行故障诊断。５．２信号频域特征。在滚动轴承故障诊断中，频域特征往往会包含丰富的故障信息相对于时域特征，在信号成分较为简单故障中，可Ｗ直接从频谱中找到故障频率。而相对复杂的信号，如一调制信号，或者信号中包含了大量的噪声些处理，，将故障信号掩盖，则通过可Ｗ还原故障信号，或者暴露出典型的故障频率特征。５．２．１原始信号频域特征（１）不同故障类型频谱图本章基于滚动轴承振动信号的频域特征参数为依据进行故障诊断，原始信号中，正常与故障信号的频谱图是不同的。选取与第四章中正常与故障时域波形所对应的频谱图进行分析－、。如图５１中分别是正常内圈故障、外圈故障、滚动体故障的频谱图。从图５－。正常信号的频１中可Ｗ看出，正常信号和故障信号的频谱是有很大区别的率集中在２１００ＨｚＷ下，且幅值较小，低频处幅值较大的是轴转频率，其中２１００Ｈｚ是ｌＯＯＯＨｚ处的谐波。０－４０００ＨＺ均有内圈故障信号相比于正常信号，増加了高频成分，其频率从分布，４－５，在２０００Ｈｚ到４０００Ｈｚ中较为集中表现出冲击性而且幅值比正常信号大了倍，峰值出现在３５００Ｈｚ附近。外圈故障同样表现出较强的冲击分布在２０００Ｈｚ到４２００Ｈｚ之间，峰值出现在３０００Ｈｚ附近，峰值大于内圈故障峰值，同时，低频处（２０００ＨｚＷ下）则没＂有较强烈的频率分布，这点与内圈故障不同。滚动体故障信号则从０４０００Ｈｚ均有分布，－４０００ＨＺ且主要集中在２０００，峰值出现在％ＯＯＨｚ附化但是幅值明显小于内圈故障与外圈故障，仅仅略大于正常信号，低频处在正常信号中出现频率被抑制了。通过简单的计算，可Ｍ得到滚动轴承常见故障的故障频率，但是送些都属于低频，！由于噪声信号。、信号调试等原因，无法直接从频谱图中获得较为明确的故障频率信息（２）不同故障程度的频谱图与第四章相同，Ｗ内圈故障为例，数据选择点蚀直径依次为７ｍｉｌ、１４ｍｉｌ、２１ｍｉｌ、２８ｍ－ｉｌ，通过傅里叶变换，画出对应的频谱，如图５２。４０ 华北电力大学硕上学位论文正常信号頻谱０．１ＩＩＩＩＩ０－－．０５醒Ｑａｋ＜ｌ＾－－－．ｉ－■Ｊ０１０００２０００３０００４０００加００６０００内圏故障信号频谱Ｑ——－■＊■－３ＩＩＩＩ０．２迴阻０－—．１—…００１０００２０００３０００４０００５０００６０００外圈故障信号频谱０■￣■￣－￣．４１ｉ１ｒｊ。－＇２謹ｙ｜０１０００２０００３０００４０００５０００６０００滾动体故障信号频谱０１■￣￣￣■￣￣￣１Ｉ．１１［化。５－－Ｉ１｜｜０１０００２０００３０００４０００加００６０００频率Ｈｚ圈５－１滚动轴承正常与故障的频谱对比通过对比可Ｗ看出一７ｍ，故障程度不同，频谱图也表现出定差异。点蚀直径ｉｌ与１４ｍｉｌ的频谱成分比较接近，在低频处有频率分布，不过幅值较小，在２７００Ｈｚ与３５００此附近有较大能量，但Ｉ４ｍｉｌ的幅值远小于７ｍｉｌ，这与第四章中时域特征也是相吻合的，１４ｍｉｌ的时域技形幅值比７ｍｉｌ小。２１ｍｉｌ的频率集中在３０００Ｈｚ附近，分布范围比７ｍｉｌ与１４ｍｉｌ要小。２８ｍｉｌ的频谱中，从５００Ｈｚ到３５００Ｈｚ均有较为强烈的频率分布，且幅值＾大了很多，其中峰值出现在６００Ｈｚ附近。４１ 华北电力大学硕ｄｒ学位论文点蚀直径为７ｍｉｌ０．２ＩＩＩ１Ｉ－０—碧．１０１０００２０００３０００４０００５０００６０００点蚀直径为１４ｍｉｌ０．０６ｒｉｉｉｉｉ０－’０４＾１１ｉｌｌ０１０００２０００３０００４０加加００６０００点蚀直径为２１ｍｉｌ＇＾０．３ｉＩＩＩｒｊ０－．２！＊＂ＵＪｉｉ．」—０１０００２０００３０００４０００加００６０００点蚀直径为２３ｍＵ０．４ｉ１１１ｌ０．■＾政ｔｌｊ心０化００２０００３０００４０００５０００６０００频率Ｈｚ．图５－２滚动轴承内圈故障不同点烛直径的频谱形对比５．２．２ＥＥＭＤ分解的信号频域特征与第四章相同，，Ｗ内圈故障为例，分别进行ＥＭＤ和ＥＥＭＤ分解并对各分量进行－，画出频谱。ＥＭＤ分解后ＩＭＦ分量频谱如图５３ＥＥＭＤ分解后ＩＭＦ分量傅里叶变换，５－４如图。（）ＥＭＤ１分解后的信号频域特点－３，５，进行ＥＭＤ分解后从高如图，得到８个ＭＦ分量，ＩＭＦ按照不同频率尺度频到低频依次分解。ＩＭＦ１分量主要包含２５００Ｈｚ到３５００Ｈｚ的频率，而ＩＭＦ２则包含０到２０００Ｈｚ的频率，频带太宽，ＩＭＦ３主要频率为４００化到８０胤Ｚ，显眼与ＩＭＦ２有重叠，４２ 华北电力大学硕Ｊ：学化论义也就表明４００Ｈｚ到８００Ｈｚ频带被分在了两个ＩＭＦ分量中，送就是模态漉叠现象。０４ｉ．ＩＩＴｉ＇含‘ＩＪＪＪＡＡｋ諭…■■Ｉ，Ｑ０１０００２０００３０００４０００５０００６００００．０２．．，，Ｓ０．０１Ｉ含０，，，０１０００２０００３０００４０００５０００６０００—￣０．１ｉ１１—０．０５Ｌ函＇－一一４如？－Ｉ■ＱＩＩ０１０００２０００３０００４０００５０００６０００—￣—０．０２１１１〇－．圓．１．北版．．０１０００２０００３０００４０００５０００６００００．０２＇．０—臟．０１１０１０００２０００３０００４０００５０００６００００＇１１１．０１－０．００５ＩＨ含ｆｔ、ＩＩＩＩＩＱ０１０００２０００３０００４０００加００６０００－３Ｘ１〇＾１１１１１＇－－麵１ＩＩ．＞＼＼＾ＩＱＩＩ．０１０００２０００３０００４０００５０００６０００－３Ｘ１〇——＾■■——４＼１１Ｉ００ｊＰｈ勺－§＼Ｖ—ＱＩＩＩＩ０１０００２０００３０００４０００５０００６０００－３Ｘ１〇——４！ｒ［Ｉ苗２－－么＼、瓜…ｊ—ｊ＾＿０１０００２０００３０００４０００５０００６０００阁５－３内圏故障ＥＭＤ分解频谱４３ 华北电＊大学硕±学位论文－■—￣￣￣￣￣０ＩＩ．４０２－－ＩＩ０ｉ０１０００２０００３０００４０００５０００６０００———＾１１ｒ１０．０２４＾——麻的Ｕ－＇Ｋ汰—．，＿＿〇ｉ０１０００２０００３０００４０００５０００６０００－——０ｒｎ１１．０５ｊ２０ＩｒＩＩ０１０００２０００３０００４０００５０００６００００州１ｕｉ０１０００２０００３０００４０００如００６０００———１ｒ０ｒｒ１Ｉ．０１０－－Ｉ．００５一＇＇ＷＩＫｋ－．１］１—■０Ｉ０１０００２０００３０００４０００５０００６０００－３Ｘ１〇２１广ｉ１§ｆＬＩ＾４＾．二＝＿＝．三」Ｑ＾０１０００２０００３０００４０００５０００６０００－３Ｘ１〇■４１ｒ１１１－麵＾—ＩＯＶＩ０１０００２０００３０００４０００５０００６０００－３Ｘ１〇ｊ￣￣ＩＩ４ＩＩ〇〇－Ｉ＼Ｖ－ＩＩＩＩＱ０１０００２０００３０００４０００５朋０６０００．。０．０１ｉ１０－ｇ．００５心ｉＩＩ１Ｑ＿Ｊ０１０００２０００３０００４０００日００日６０００－＾＾０．０２、Ｉｗｉｇ０．０１Ｌｊｔ－－Ｉ１．－ＱＩ１Ｉ０１０００２０００３０００４０００５０００６０００图５＊４内閣故陈ＥＥＭＤ分解频谱４４ 华北电力大学硕±学位论文（２）ＥＥＭＤ分解后的信号时域特点由图５－４可看到Ｉ，ＥＥＭＤ分解后，得到９个分量，在ＭＦ２中，ｌＯＯＯＨｚｌ＾下的频率明显少了，与ＩＭ巧的频带划分更明显，当然ＩＭＦ３与ＭＦ４依然存在部分模态混叠现象，不过由于主要的故障信息包含在前面的ＩＭＦ分量中，模态混叠现象的影响要比ＥＭＤ小一些。同时ＥＥＭＤ分解的分量比ＥＭＤ更多，也就代表在频带划分上，ＥＥＭＤ更细致。５．３基于重瓜频率指标的滚动轴承故障诊断５．３．１基于ＥＭＤ重心频率的滾动轴承故障诊断按照故障诊断方法流程，先对原始信号分别进行ＥＭＤ分解，然后计算各ＩＭＦ分量的重也频率。分类识别结果如图５－５。具体分类正确，Ｗ此作为特征向量进行故障识别５－率如表１。－７０％从表５１中可看出，内圈故障中，对直径１４ｍｉｌ点蚀直径的故障识别正确率为，对其他故障程度的诊断识别正确率均很高。．外圈故障中，１４ｍｉｌ故障的诊断正确率均达到％％，早期故障的诊断正确率为８５％，严重故障的诊断正确率较低，仅有５５％。滚动体故障中，只有严重故障的正确率达到％％，１４ｍｉｌ故障诊断正确率为９０％，其余故障诊断正确率相对较低，尤其是早期故障，其诊断正确率为７０％。正常状态正确率为１００％，说明不存在将正常信号错误诊断为故障的可能。整体正确率为８７．６９％，仍有提高空间。５－ＥＭＤ表１基于重也频率的分类正确率类别号正确数量总数量正确率（％）￣Ｍ１４０４０１００２２０２０１ＴＯ．内圈３１５２０７５故障４１９２０９５５２０２０１００￣６１６Ｍ８０外圈１１９２０９５Ａ化故障８１１２０５５９１４Ｍ＾滚动体１０１８２０９０故障１１１７２０８５１２１９２０９５整体ｍ２ｍ８７．６９４５ 华北电力大学硕±学位论文ｍｍ—＾—？１２ｒＴ１，ｓｓ），ＩＩＩＩＩＩ丰ＩＩＩＩ半牛利坦ＩＩＩＩＩＩＩ１ＩＩＩＩＩ？？－）＋１＜１０４１ＩＩｉＩＩＩＩ＇（Ｉ！＾＾Ｉ；；！：■—一－＾争＿＾寺爭８７斗ｆ！：＼ＩＩＩＩＩＩＬｉｊｇｍｌＭｔｆｏ１ＩＩＩＩＩＩＩＩＩＩ－１－＾１－－－－－－！巧６＾Ｉ１卡１１狱；；Ｉ１；１ｉＩ１（ＩＩＩＩＩＩＩＩＩ１ｉ—４－寺本－１ｔ［ＩＩＩＩｍｍｍ半琳？普牛牛｜｜｜Ｉ｜牛；１ＩＩＩＩＩ２了１！１１￣ｉｌｌ！〇实际类别Ｉ＿＿１；；；Ｉ１＋诊断类别１１１１Ｉ１１１Ｉ〇１１１０如１００巧０２００２如３００诊聯样本圏５－５基于ＥＭＤ重也频率的诊断分类图５．３．２基于ＥＥＭＤ重心频率的滚动轴承故障诊断按照故障诊断方法流程，先对原始信号分别进行ＥＥＭＤ分解，然后计算各ＩＭＦ分－、５６。量的重屯频率，Ｗ此作为特征向量进行故障识别。分类识别结果如图具体分类正５－２确率如表。表５－２基于ＥＥＭＤ重也频率的分类正确率Ｓ类則号正确数量总数量正确率（％）Ｍ１４０４０２＾Ｍ内圈３１７２０８５故障４２０２０１００５２０２０１００６＾２０外罔７２０２０１００故障８１５２０７５９１８Ｍ＾滚动体１０１８２０９０故障１１１７２０８５１２２０２０１００整体２４５ｍ９４＾４６ 华北电力乂学硕上学位论文■．‘１０＿＿＿…＇么＿＿＿＿巧＿Ｉ了ＩＩ］＾－ｅＩ牛ＭＩＩＩ普Ｉ＾一；＋－４－－ｍｍｓｓｍ１０Ｉａ＇＇＇＞夺ｉｒｍｍｍ辛一一一－１－１８却—本ｉ１ｍ／ｔ＾＾Ｉ１ＩＩ１－－６ｉ！１Ｊ蘇１撕；ＩＩＩＩ印肺酬：ＩＩ１１‘４ＷＳＳＳＳ＾：ｊＩｊｍｍｍ林〇Ｉ：；；；１２１１１１〇实际类别ｊｉ１１１１１！＋诊断类别Ｉ；＇＇〇ｉ＾＇０５０１００１凯２００２５０３００诊断样本图－６、５基于ＥＥＭＤ重屯频率的诊断分类图５－２可Ｗ看出１４，对直径ｍｉｌ点蚀直径的故障识别正确率为８０％，通过表，内圈故障中对其他故障程度的诊断识别正确率均达到１００％。外圈故障中，７１４１００％ｍｉｌ和ｍｉｌ故障的诊断正确率均为，严重故障的诊断正确率较低，为７５％，有提高空间。滚动体故障中，２１ｍｉｌ故障的正确率为８５％，７ｍｉｌ和１４ｍｉｌ故障诊断正确率为９０％，严重故障诊断全部正确。正常状态正确率为１００％。整体正确率为９４．２３％，基于ＥＥＭＤ重也频率的故障诊断一方法是有效的，故障诊断正确率比较均衡，外圈严重故障诊断需要进步提高。５．３．３分析与讨论如表５－３ＥＥＭＤＥＭＤ，基于分解的重也频率故障诊断正确率高于分解在内圈故障中，ＥＥＭＤ故障诊断术确率全面高于ＥＭＤ，其中１４ｍｉｌ故障正确率略低，其原因与信号本身有关。在外圈故障中，ＥＥＭＤ故障诊断正确率均高于ＥＭＤ，但在外圈严重故障诊断中，仍有提局空间。在滚动体故障中，ＥＥＭＤ故障诊断正确率较为均衡，均在８５％及Ｗ上。其中２１ｍｉｌ故障诊断正确率较低，这与时域特征参数诊断的结果类似。综上，基于ＥＥＭＤ重也频率的滚动轴承诊断方法针对故障严重程度的诊断是有效的，但其中外圈严重故障诊断有必要进一步提高。４７ 华北电力大学硕±学位论文５－３表ＥＭＤ与ＥＥＭＤ分类对比〇类别号ＥＭＤ正确率（％）ＥＥＭＤ正确率（／〇）＾＼２内圈３７５８５故障４９５１００５１００１００６８０ｍ外圈７９５１００澈膺８５５７５９ＴＯ＾滚动体１０９０９０放障１１８５８５１２％１００整体８＾９４２３考虑到ＳＶＭ在识别过程中存在误差，因此，在仅考虑进行故障类型识别的情况下，可Ｗ将错误的分类按照故障类型的大类别重新统计，得到故障类型分类的正确率，如表５￣４。表５＾重新统计后的分类对比〇ＥＭＤ正确率（／〇）ＥＥＭＤ正确率（％）＇１００．内圈９２．５９６．２５外圈７８．巧９１．６７滚动体９０９７．５整体８９．姑９６．１５由表５－４可＾看出，ＥＭＤ与ＥＥＭＤ故障诊断整体正确率均有提高，ＥＥＭＤ高于ＥＭＤ，！达到了９６．１５％。外圈故障诊断正确率略低与其他故障类型。ＥＥＭＤ在Ｗ重也频率为指祿的故障诊断中相比于ＥＭＤ有明显化势。重也频率指标作为单特征参数在进行故障诊断时，不仅，诊断效果明显可诊断故障类型，同时可Ｗ诊断故障严重程度。５．４基于均方根频率指标的滚动轴承故障诊断５．４．１基于ＥＭＤ均方根频率的滚动轴承故障诊断按照故障诊断方法流程，，先对原始信号分别进行ＥＭＤ分解然后计算各ＩＭＦ分量－的巧方根频率。５７。具体分类正，Ｗ此作为特征向量进行故障识别分类识别结果如图４８ 华北电山大学硕ｉ－学位论文确率如表５－５。表５－５基于ＥＭＤ均方根频率的分类正确率类别号正确数量总数量正确率（％）１４０４０２＾Ｍ内圈３１３２０６５故障４１９２０９５５２０２０１００￣￣６１８＾Ｗ外圃７１９２０９５故障－８１１２０５５９１３＾＾滚动体１０１９２０％故障１１１５２０７５１２１９２０９５整体＾＾８６．９２一—１２１Ｊ１ＩＩｔＩＩＩＩＩ１１Ｉ夺ＩｉＩ鲁ｉ翔閣巧，Ｉ．１ＩＩＩＩＩＩＩＩ１：１Ｉ＋？＋－＞——１０ｍｓｍｍ，＜？ＩＩＩＩＩＩＩＩ［ＩＩＩｊＢｇＴＷｒ，ＩＩ：＾Ｂ？林ＩＩｔｊＩＩ＇８－－＂＾——ｆ本Ｔｒｍｍｓ＾，４＾｛ＩＩＩＩＩＩＩＩＩＩＩＩＩＩＩＩＩ—－—－驚６术；１１ＩＩ獄Ｉ？ＩＩ？ＩＩＩＩＩ），Ｉｆｌ—Ｍ：ＩＩ！ＩＩＩＩＩＩ（Ｌ＿－一４细，１１ｊＩＩＩＩＩＩ＇ｍｍ制＾ｈ＾夺ｍ中半ＩＩＩ味制ＩＩＩＴ２１半１１０；’ｉｗｅ１Ｉ；１Ｉ＋诊断类别；Ｉ；；；１〇１１１１１１０加１００１５０２００２５０３００．诊断样本图５－７基于ＥＭＤ均方根频率的诊断分类图从表５－５中可Ｗ看出，在内圈故障诊断中，１４ｍｉｌ故障诊断正确率仅为６５％，其他故障程度较高。在外圈故障中，严重故障诊断正确率仅有５５％。在滚动体故障诊断中，１４ｍｉｌ与２８ｍｉｌ故障诊断正确率可Ｗ达到％％２１ｍｌ，７ｍｉｌ与ｉ故障诊断正确率较低。整〇一体正确率为８６．９２／〇，但基于ＥＭＤ均方根频率的故障诊断正确率较低，需要进步提高。４９ 华北电力大学硕±学位论文５．４．２基于ＥＥＭＤ均方根频率的滚动轴承故障诊断按照故障诊断方法流程，先对原始信号分别进行ＥＥＭＤ分解，然后计算各ＩＭＦ分－８量的均方根频率，Ｗ此作为特征向量进行故障识别。分类识别结果如图５。具体分类正确率如表５－６。－－表５－６基ＴＥＥＭＤ均方根频率的分类止确率＾类别号正确数豈总数量正确率（％）￣正常１４０４０２１８２０％内圈３１９２０９５放障４１９２０９５５２０２０１００６１９＾＾外闡心７２０２０１００故Ｐ早８１８２０９０９１７Ｗ８５滚动体１０１８２０９０故障１１１５２０７５１２２０２０１００＇￣＇￣盤体ｍｍ９３．４６■＿占－－１２ｒＴ，１｜ＩＩＩＩ！ＩＩＩＩ１Ｉ特幸命■ＩＩ１ｉｉ—＊一一Ｖ？＋ｉ１０１（ｇｇＢＨｆｅ４ＩＩＩ１｝Ｉ夺爭Ｉ利悼Ｉ：ＩＩＩｔｔＩＩ８——ｆ；！ＩＩ１ＩＩＩＩＩＩ－－—－１－－－——－６Ｉ１胃钱Ｊ１１ｉ：：；１－ＩｔｔＩ＾ＳＳＳＳＳＩ＇＾—一４—￣ｉ－ｈ——一一山—ＨＪＩ＊ＩＩ？？１ａｉｕＭＸｉＬ＼ｆ｜｜ｙ市ＩＩＩＩ）－１１■２１１ｉ＇〇实际卖Ｉ；；；Ｉ４诊断巧别！１１１１ＩＱＩ１Ｉｉ０加１００１５０２００２５０３００诊断样本图５－８基于ＥＥＭＤ均方根频率的诊断分类圏５０ 华北电力大学硕±学位论文由表５－６可Ｗ看出，在内圈故障中，基于ＥＥＭＤ均方根频率的故障诊断正确率均达到９０％及上，说明针对内圈故障可Ｗ实现较好的诊断。在外圈故障中，诊断正确率也达到了９０％及Ｗ上。在滚动体故障中，２１ｍｉｌ故障诊断正确率为７５％，是同种故障中最低的。５．４．３分祈与讨论－７ＥＥＭＤ分解的均方根值指标故ＥＭＤ分解如表５，达到，基于障诊断正确率高于了９３．４６％。相对于ＥＭＤ在１４ｍｉｌ内圈故障和２１ｍｉｌ外圈故障的较低诊断正确率，ＥＥＭＤ的正确率均提升到一９０％及Ｗ上。当然，ＥＥＭＤ在滚动体故障的诊断方面还需要进步提高。表５－７ＭＤ与ＥＥＭＤ分类对比ＥＳ类别号ＥＭＤ正确率（％）ＥＥＭＤ正确率（％）２％内圈３６５９５故障４９５９５５１００１００６％＾外圈７９５１００巧障８５５９０厂＾＾．滚动体１０９５９０故障１１７５７５１２９５１００＇＇整体８＾９１４６考虑到ＳＶＭ在识别过程中存在误差，因此，在仅考虑进行故障类型识别的情况下，可Ｗ将错误的分类按照故障类型的大类别重新统计，得到故障类型分类的正确率，如表５－８。表５－８重新统计后的故障类型分类ＳＥＭＤ正确率（％）ＥＥＭＤ正确率（％）１００內圏９０９６．２５外圈８８．３３％滚动体化７５１００整体撕．７７９７．６９５１ 华北电力大学硕±学位论文ＥＭＤ与ＥＥＭＤ整体识别正确率均有所提离，ＥＥＭＤ在各类故障类型诊断中正确率均高于ＥＭＤ，整体故障诊断率达到了９７．６９％。可见，均方根频率指标作为单持征参数在进行故障诊断时，诊断效果非常明显。在故障类型诊断中，ＥＥＭＤ诊断效果比较好，但是在故障程度识别中，滚动体故障程度识别还有侍提高。因此，Ｗ均方根频率为指标的滚动轴承诊断方法是可行的。５．５基于频域多参数指标的滚动轴承故障诊断按照单一频域参数指标进行分析对比之后，，考虑将Ｗ上两种时域参数指标进行结合用综合指标进行故障诊断，并将ＥＭＤ与ＥＥＭＤ的诊断结果进行对比分析。５．５．１基于ＥＭＤ频域多参数的滚动轴承故障诊断按照故障诊断方法流程，将之前ＥＭＤ分解后，各ＩＭＦ分量求得的重也频率与均方－根频率前后排列作为特征向量进行故障识别。分类识别结果如图５９。具体分类正确率如表５－９。表５－９基于ＥＭＤ频域多参数的分类正确率类别号正确数量总数量正确率）（％Ｍｉ４０４０２２０２０内圈３１４２０７０故障４１８２０９０５２０２０１００￣１６＾８０外圈７１９２０９５故障８１１２０５５，９１３Ｗ６５滚动体１０１９２０９５故障１１１４２０７０１２１８２０９０整体瓦ｉｍ８５３８一由表５－９，在内圈故障中，频域多参数相比单参数断正确率基本持可Ｗ看出，诊平一，其中，２１ｍｉｌ故障诊断正确率低于单参数，１４ｍｉｌ故障诊断正确率介于重也频率与均方根频率之间。一一参数的故障诊断结果在外圈故障中，趋势与单致，严重故降诊断正确率最低，仅为５５％。其次７ｍｉｌ故障诊断正确率较低，为８０％，一在滚动体故障中，频域多参数的故障诊断正确率均低于单参数的诊断正确率。７ｍｉｌ与２１ｍｉｌ故障诊断正确率分别为６５％和７０％。５２ ＊华北电如火学硕Ｉ；学位论文虽然整体诊断正确率为８５．３８，但是基于ＥＭＤ频域多参数故障诊断方法仍有待提高。１２厂ＴＭｉｔｍｉ１Ｉｆ｜ＩＩＩＩＩＩ料Ｉ辛１ＩＩ牛＾ＩＩＩＩＩ１０私４１＾ｓｓｓｍ－１ｉ］ＩＩｔＩＩＩＩＩｔＩ半夺＾辛命利株：Ｉ；Ｉ；ＩＩＩＩＩＩ８——Ｉ１ＩＩｄＴＯａＬｍｆｅ＊ＩＩＩＩＩＩＩＩＩＩＩＩ—＋－－－－——６；１！ｍａｍＩ普親靜ＩＩＩＩＩＩＩＩＩＷＳＫＢＩＩＩＩＩＩＩｔＩＩＩＩｔＩＬ４—ｗｍｍ林—；１；Ｉ１ｔＩＩ，＾ｍｍ特■牛如林？本蛛■牛！：Ｉ＼：；ＩＩＩＩＩＩＬ１１Ｔ１１；；ＩＩｏ实际类别ＩＩＩ．＋诊断类别Ｉ；；；＊＇ＬｏＪ＿＿＿Ｌ」１Ｊ０５０１００１５０２００巧０３００诊断样本图５－９基于ＥＭＤ频域多参数的诊断分类凶５．５．２基于ＥＥＭＤ频域多参数的滚动轴承故障诊断按照故障诊断方法流程，将之前ＥＭＤ分解后，各ＩＭＦ分量求得的重也频率与均方５－根频率前后排列作为特征向量进行故障识别。分类识别结果如图１０。具体分类正确率５－如表１０。表５－１０基于ＥＥＭＤ频域多参数的分类正确率Ｈ类别号正确数量总数量正确率（％）１４０４０１ＴＯ２Ｍ２０巧圈３１８２０９０故障４１９２０９５５２０２０１００￣６Ｍ２０外圈７２０２０１００丄故Ｌ障口廿８１９２０９５￣￣９１６２０ｍ滚动体１０１８２０９０故障１１１８２０９０１２２０２０１００整体２＾ｍ９５３８５３ 华北电力大学硕±学位论文５－１４１０可，ｍｉｌ故障诊断正确率介于重也频率与均方根由表Ｗ看出，在内圈故障中。频率之间，其他均有所提高，整体来说针对内圈故障诊断正确率较高一在外圈故障中致，７ｍｉｌ与１４ｍｉｌ故障诊断，故障诊断正确率分布趋势与重也频率〇正确率为１〇〇／。，严重故障诊断正确率则高于重也频率的诊断正确率。、，但是其他故障在滚动体故障中，早期故障诊断正确率低于重屯频率与均方根频率程度诊断正确率都有所提高。基于ＥＥＭＤ频域多参数故障诊断效果较好，整体故障诊断正确率达到了９５．３８％，滚动体早期故障诊断正确率有待进一步提高。■１２ｒＴ１，１Ｉ；ＩＩ半ＩＩ夺＋１０＋１ｍｍｍ１ｔ夺１Ｉ鍾瞧料；＾Ｉ］一——一一—一一一－，；，。８夺７！；ｆ！１１１１１－－＾－－－＾１ｉ＾ｓｓｍｍｈ叫ｖ＾６＋１ＩｆＩ１＾Ｉｇｊｇｇｉｊｇｊ＾Ｌ．４１１｜｜Ｊ［｜ｉ言ｉｊＩ－Ｉ１！２１１￣１！ｉ１＾实际类别！？？＊１１＊诊断类别ｆＩＩ；Ｊ＇ＪＬ＇０＇０５０１００１凯２００２前孤０诊断样本图５－ＥＥＭＤ频域多参数的诊断分类图１０基于５．５．３分析与讨论５－。如表１１，基于ＥＥＭＤ频域多参数故障诊断正确率高于ＥＭＤ针对正常信号的诊断，ＥＭＤ与ＥＥＭＤ均为１００％正确判断，不存在将正常轴承诊断为存在故障的可能。９０％在内圈故障中，ＥＥＭＤ诊断正确率全部在及Ｗ上，可见对内圈故障诊断比较有ＥＭＤ１４。效，而的ｍｉｌ诊断正确率较低在外圈故障中，ＥＥＭＤ的故障诊断正确率远高于ＥＭＤ，而且通过多参数结合，克服了严重外圈故障诊断正确率低的问题。在滚动体故障中，ＥＥＭＤ也高于ＥＭＤ的诊断正确率，不过在滚动体早期故障诊断一还有待于进。中，步提髙总体来说，ＥＥＭＤ比ＥＭＤ在故障类型与故障程度诊断中更有优势，诊断正确率也比较均衡。５４ 华北电力大学硕±学位论文表５－１１ＥＭＤ与ＥＥＭＤ分类对比Ｓ类别号ＥＭＤ正确率（％）ＥＥＭＤ正确率（％）Ｍｉｍ２ｉＴＯｉｒｏ内圈３７０９０故障４９０９５５１００１００￣６＾外圈１９５１００化ｎ立故障８５５９５９？ＳＯ滚动体１０％９０故障１１７０９０２１９０１００整体８５．３８９５．３８考虑到ＳＶＭ在识别过程中存在误差，因此，在仅考虑进行故障类型识别的情况下，可Ｗ将错误的分类按照故障类型的大类别重新统计，得到故障类型分类的正确率，如表５－１２。５－表１２重新统计后的分类对比ＷＭＥＭＤ正确率（％）ＥＥＭＤ正确率（％）内圈９０９６．２５８３．３３％外圈．３３滚动体９１．２５１００整体９０．３８Ｗ．４６ＥＭＤ与ＥＥＭＤ整体识别正确率均有所提高，ＥＥＭＤ在各类故障类型诊断中正确率均高于ＥＭＤ。可见，基于ＥＥＭＤ重也频率和均方根频率的频域多参数指标的故障诊断方法在诊断识别故障类型时，具有很高的诊断率，而且在进行故瞳程度识别时，也能达到较高的正确率一，尤其是内圈故障与外圈故障，滚动体故障诊断还有定的提升空间。５．６基于时域频域多参数指标的滚动轴承故障诊断一参数及多参数故障诊断分析后经过时域与频域的单，其诊断结果比较满意，但是仍有提升空间，尤其是故障程度诊断方面。现考虑将时域参数与频域参数相结合，组成时域频域多参数特征向量，进行故障诊断，并巧ＥＭＤ分解和ＥＥＭＤ分解诊断结果进行化较。５５ 华北屯为乂学硕：Ｉ学位论文５．６．１基于ＥＭＤ时域频域多参数的演动轴承故障诊断建立时域频域多参数特征向量，考虑到运算效率，从时域特征参数与频巧特征参数一中只能各选取个特征参指标，频域中重必频率效果较，时域中均义报值指枯效果较好好，将这两个特扯参数Ｗ结台。按照故蜡诊断流粒，将之前ＥＭＤ分解后，各ＩＭＦ分Ｍ求得的均方根值与重必频率前后排列作为特化向量进行故障识别。分类识别结果如图－－５１１。具体分类正确率如表５１３。表５－ＥＭＤ１３基于时域频域多参数的分类正确率Ｓ类别号止确数结总数量化确率（％）１４０＾￣２ＷＭ１００内圈３１８２０９０故障４２０２０１００５２０２０１００￣６＾Ｍ外圈７２０２０１００故、，障一８２０２０１００９１３２０？滚动体１０１７２０８５’故巧１；１８２０９０１２２０２０１００整体ｍｍ９４＾－１２ｆ了＼１１ＩＩ．ＩＩ１Ｉ－－．ＩｉＭＭｆｃ１１辛Ｉ卡味和本ｉＢ１ＩＩＩＩＩＩＩＩＩＩＩＩ１０ｉ４１（ｓｍｍｍ１＜Ｉ１ＩＩＩＩＩ，ｍｓｍ：市ＩｔＩＩｉ１：Ｌ——１．ｒｉＭＭＭＢ！１ｆｗｔ＇Ｉｔ）ＩＩＩＩＩＩＩＩＩＩＩＩＩｖｐＷＢｍＢＩｔＩＩＩ万ＩＩＩＩＩＩ－－－１，１卞？１絲ｔＴ；６讯怖ｍｈ；；；：：：Ｉ＞ｉＩＩＩＩｔＩＩ－Ｉ１ｉＩＩｉＩ１一Ｊ—＿＿＿＿—＿＿＿＿—＿＿＿＿＿＿＿＿——＿＿Ｊ？．．ｔＩ１ＩＩＪＩ＞ｉＩＩＫＩ山Ｉ？山Ｉｊ卡牛十ＩＩ１，ＩＩＩＩＩＩＩ（２Ｔ巧ＨＨＫ１１１１〇实际类男｜Ｊ：ｉｉｉＩ｜＊诊断类别；：；Ｉ；Ｌ＿ｉ！０Ｊ！！１０如１００巧０２００２５０３００诊断样本５－圍１１基于ＥＭＤ频域多参数的诊断分类圏５６ 华北电力大学硕±学位论文－３ｍ从表５１中可Ｗ看出，内圈故障中，１４ｉｌ故障诊断正确率为９０％，相比之下略低，一其余故障程度诊断正确率均为１００％。与单参数的诊断结果相比，与均方根值的故障诊断正确率相同，比重也频率的故障诊断正确率有了很大提离。外圈故障中，所有故障的诊断正确率均达到１００％，经均方根的配合，克服了重必频率在严重故障诊断中正确率太低的问题，时域频域多参数对外圈故障诊断达到了最佳效果。滚动体故障中，早期故障的诊断正确率为６５％，低于均方根值指标和重也频率指标的诊断正确率，这应该是时域频域参数在组合时，排序方式导致的。１４ｍｉｌ与２１ｍｉｌ故障诊断正确率介于均方根频率和重也频率之间，总体来说，滚动体故障诊断效果相比于一单参数并不具有优势。整体诊断正确率为９４．６２％、，可见，时域频域多参数对内圈外圈故障诊断非常准确。５．６．２基于邸ＭＤ时域频域多秦数的滾动轴承故障诊断按照故障诊断流程，将之前ＥＭＤ分解后，各ＩＭＦ分量求得的均方根值与重也频率前后排列作为特征向量进行故障识别－。。分类识别结果如图５１２具体分类正确率如表５－１４。表５－ＭＤ时域频域多参数的分类正确率１４基于ＥＥＷ类别号正确数量总数量正确率（％）１４０４０２＾＾内圏３２０２０１００巧障４２０２０１００５２０２０１００￣６＾Ｍｍ外圈７２０２０１００故障８２０２０１００￣＾９１５２０了５療动体１０２０２０１００巧障１１１８２０９０１２２０２０１００整体＾ｍ９＾５－从表１４中可Ｗ看出，正常状态、内圈故障、外圈故障，都可Ｗ实现１００％正确诊断，这是非常理想的诊断方法。滚动体故障中，早期故障是诊断准确率最低的，为７５％，ｍ一其次是２１ｉｌ故障诊断正确率为９０％。与单参数故障诊断方法相比，不仅提高了均方根值为指标的故障诊断中严重故障的诊断正确率，也提高了重必频率指标的故障诊断中５７ 华北电力大学硕＋学位论文１４ｍｉｌ和２１ｍｉｌ故障的诊断正确率，但也拉低了早期故障的诊断故障率，所Ｗ多参数法不仅仅是之前各项单一参数的优势叠加一，也会出现比单参数诊断正确率更的情况。————＿ＩＬＩ１１Ｉ］ＩＩＩＩＩ＇Ｉ辛ＳＷＢＢ１ＩＩＩＩＩｉＩＩｔＩＩＩ＋———１ｗｍｍ１＜１０ｉＩＩＩＩＩＩ１１１Ｉ＇ＩＩｍｍ牛牛＇ＩＩＩＩＩＩＩＪＩＩＩＱ———————一一―—―一————＿———．ＩＯ－———―———————————————ｒ了ＩＩＩＩＩＩＩＩＩＩＩＩＩＩｉｔＩＩＩＩＩｉＩ６——＿－－叫——————糕，十ｉ１Ｉ；：；；；［ＩＩＷＢＳＳＢＩＩＩＩＩｔＩＩ（４＿＿—－－ＵＳＢ－ｊ；；１ＩＩ１ＩＩＩ１ｎａｇＭＸ４ＩＩＩＩ＞ｊＢＭｇ｜ＩＩＩＩＩＩＩＩＩＩＩＩ２Ｔｉ－ＷＨＳＫＢ＾１１１ｉ：：：〇实１；脉类别＿＿＿Ｉｉ＇．止ｉ；１＋诊断类别：ｌＩＩＩＩＩＩｊＱ！Ｉ—丄Ｉ０５０１００巧０２００２５０３００诊断样本阁５－１２基于ＥＭＤ频域多参数的诊断分类簡５．６３．分析与讨论５－ＥＥＭＤ频域多参数故障诊断吊确率高于ＥＭＤ如表１５，基于。表５－１５ＥＭＤ与ＥＥＭＤ分类对比Ｓ类别号ＥＭＤ正确率（％）ＥＥＭＤ正确率（％）＾１Ｉｔｏ２内圃３９０１００故除４１００１００５１００１００６外圈７１００１００故障＊８１００１００９？干５滚动体１０８５１００故障１１９０９０１２１００１００整体９４＾９＾在内圈故障中，ＥＥＭＤ诊断全部正确，优于ＥＭＤ的诊断结果。在外圈故障中，ＥＭＤ５８ 华北电力大学硕女学位论文—与ＥＥＭＤ样全部诊断正确。在滚动体故障中，ＥＥＭＤ的诊断正确率也高于ＥＭＤ的诊断正确率。，考虑到ＳＶＭ在识别过程中存在误差，因此，在仅考虑进斤故障类型识别的情况下可Ｗ将错误的分类按照故障类型的大类别重新统计，得到故障类型分类的．巿确率，如表５－。１６５－表１６重新统计后的分类对比ｍｉＥＭＤ正确率（％）ＥＥＭＤ正确率（％）＾ｍ１００内圈９７．５１００外圏１００１００滚动体９７．５１００＞８整体＾．０２１００ＥＭＤ整体识别正确率有所提高，ＥＥＭＤ在故障类型诊断中实现了没有错误。可见，基于ＥＥＭＤ时域频域多参数故障诊断方法可１００％诊断故障类型，针对故障程度诊断时，内圈故障、外圈故障可Ｗ做到１００％诊断，而滚动体故障程度诊断正确率也可达到很高的正确率。基于ＥＥＭＤ结合均方根值和重也频率的诊断方法是有效地，针对工业生产具有实用价值。５．７本章小结一ＥＥＭＤ分解一一重也频率本章提出了种基于，Ｗ频域特征中的两个参数、均方根频率为特征量进行滚动轴承故障诊断的方法。并对ＥＭＤ和ＥＥＭＤ分解的诊断结果进行对比。其中，Ｗ重也频率为特征参数的诊断效果最化从诊断故障程度角度，识别內圈故障一、外圈故障的故障程度均在％％及＾＾上，滚动体故障程度识别还存在定误差。将重必频率与均方根频率结合的多参数诊断方法相比于单一参数的故障诊断方法均有巧高的诊断正确率。将时域特征参数均方根值与频域特征参数重也频率相结合的故障诊断方法可Ｗ取得同类型中最好的诊断效果。５９ 华电力大学硕±学位论文第６章结论与展望６．１结论滚动轴承是旋转机械中不可或缺的支撑部件，但是它的结构决定了其易损坏的特点，因此如何对滚动轴承的运行状态进行识别一，尤其是故障类型进行诊断，进步对故障程度进行诊断一，直是研究的重要方向。本文总结了滚动轴承的基本结构、常见故障类型、振动产生机理，为滚动轴承故障识别提供了理论基础。同时提出了基于ＥＥＭＤ时域特征参数和频域特征参数两个方面及将二者结合的滚动轴承特征参数提取方法，并通过实验数据进行了故障识别验证，主要结论如下：（１）时域、频域特征参数包含了滚动轴承故障信息，Ｗ此为特征参数进行提取可１＾１有效地识别故障类型，同时可＾判断故障严重程度；（２）通过频谱分析，可Ｗ观察到ＥＭＤ分解存在的模态混叠现象，同时从原理及频ＥＥＭＤ—定程度克服模态海叠现象谱分析都验证了可Ｗ。在滚动轴承故障识别时，基于ＥＥＭＤ分解的故障诊断正确率高于基于ＥＭＤ的故障诊断正确率；（３）采用基于ＥＥＭＤ时域特征参数提取与故障诊断方法，尤其Ｗ均方根值为特征参数，可Ｗ有效的对滚动轴承故障类型与故障严重程度进行诊断与识别。将两个时域特征参数结合的多参数诊断方法，可Ｗ达到较高的诊断正确率；（４）采用基于ＥＥＭＤ频域特征参数提取与故障诊断方法，尤其Ｗ重也频率为特征参数，可Ｗ有效的对滚动轴承故障类型与故障严重程度进行诊断与识别。将两个频域特征参数结合的多参数诊断方法，可Ｗ达到较高的诊断正确率；（５）采用基于ＥＥＭＤ时域频域特征参数提取与故障诊断方法，将均方根值与重也频率相结合的时域频域多参数诊断方法，可Ｗ达到更高的诊断正确率；一（６）在多参数结合进行故障诊断的过程中，可能会出现两种单参数的诊断优势叠加现象一，也可能导致多参数诊断法在部分故障类型诊断中诊断正确率低于单参数的诊断准确率。６．２展望滚动轴承的故障诊断技术发展对于保证旋转机械正常运行有着及其重要的意义。虽一定的研究成果间和精力有限一然本文取得了，但由于时，还有许多工作需要进步研究和发展：（１）局限于数据来源，本文仅论证了基于ＥＥＭＤ特征参数提取方法在诊断滚动轴承点蚀故障中的有效性，而滚动轴承故障类型并不局限于点蚀故障，还有疲劳剥落、磨６０ 华化电力大学硕±学位论文损等故障，因此，后续还需要通过其他故障类型数据来验证该方法的有效性及通用性；（２）本文中，利用多特征参数进行故障诊断，虽然诊断结果比较好，但仍有提高空间，考虑到不同的持征参数对不同故障类型更有效，今后还应该考虑多种（大于两种）一参数共同诊断识别，从而增加该方法的适用范围，进步提高诊断祀确率。（３）本文中，将原始信号进行ＥＥＭＤ分解后得到若干ＩＭＦ分量，但众多分量中有一部分是无用的，甚至会干扰其他分量的特征提取，后续应当考虑通过多种手段，将无用的分量滤除，从而提高运算效率，并提高诊断正确率。６１ 华北电力大学硕±学位论文参考文献１．付新欣．基于小波分析的滚动轴承故障诊断技术研究［Ｄ］．沈阳航空航天大学２０１３［］，口］周福昌．基于循环平稳信号处理的滚动轴承故障诊断方法研究［Ｄ］．上海：上海交通大学２００６．，－敏：口黄邵毅．设备故障诊断手册机械设备状态检测和故障诊断［Ｍ］，西安西安］徐，－１９９８５３０．交通大学出版社：，［４］离毅龙．数据挖掘技术及其在工程诊断中的应用［Ｄ］．西安：西安交通大学，２０００：－１１０．口］ＺｈａｏＭＹ，ＺｈｕＨＬＬｏｃｏｍｏｔｉｖｅＢｅａｒｉｎｇＦａｕｌｔＤｉａｇｎｏｓｉｓａｎｄＰｒｅｄｉｃｔｉｏｎＭｅｔｈｏｄ口］．Ｌｏｃｏｍｏ－ｔｉｖｅＥｌｅｃｔｒｉｃＴｒａｎｓｍｉｓｓｉｏｎ２００５５：５８６０．，（）工程机械状态检测与故障诊断技术化汁量与测试技２００２４－４术：４０３．阀谢宝义（）［７］张家凡？振动信号的包络解调分析方法研究及应用［巧？武汉：武汉理工大学，２００８．［８］Ｒａｎｄａｌｌ艮Ｂ．Ｈｉｌｂｅｒｔｔｒａｎｓｆｏｒｍｔｅｃｈｎｉｑｕｅｓｉｎｍａｃｈｉｎｅｄｉａｇｎｏｓｔｉｃｓ［Ｃ］．Ｉｎｔｅｒｎａｔｉｏｎａｌｅｒｅｎｃｅ－ＣｏｎｆｏｎＲｏｔｏｒｄｙｎａｍｉｃｓＴｏｋｏ２００６４０９４２０．，，ｙ，９了康谢明张彼德等．复解析带通滤波器及其在解调分析中的应用ｍ．振动工程［］，，，２０００５－学报１３３：３８３９２．，，（）１０ＺｈａｎＦ，ＤｉｎＫ．ＡｎａｌｓｉｓｏｆＧｅｎｅｒａｌｉｚｅｄＤｅｍｏｄｕｌａｔｉｏ打ｏｆ化ｅＴｈｒｅｅＡｌｏｒｉｔｈｍｓａｎｄ［］ｇｇｙｇｈｅＬ－ｔｉｍｉｔａｔｉｏｎｓｏｆｔｈｅＳｔｕｄｙ口？ＪｏｉｒａｉａｌｏｆＶｉｂｒａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ２００２１５２：２４３２４８．］，，（）朱善安．．农业［ｕ］武巧雷，，林瑞仲，等基于能量算子解调法的滚动轴承故障诊断阴２００－化械学报３３４：１１８１２０．，，（１）［１２］了康，李巍华，朱小勇．齿轮及齿轮箱故障诊断实用技术［Ｍ］．北京：机械工业出版粗２００５．，［１３］柱秋华，杨署年．细化包络分析在滚动轴承缺陷诊断中的应用饥．轴承２００４３：，，（）－３４３１．Ｍ－２８锦泰小波分析导论［Ｍ］．西安西安交通大学出版化１９９５：１７．［］崔１５张中民．．，卢文祥，杨巧子等基于小波系数包络谱的滚动轴承故障诊断饥振动［］，工程学报－１９９８１１１：６５６９．，，（）１６ＬｉｕＨＴｉａｎＹＦＷｕＴ．ＴｕｒｂｉｎｅＧｏｖｅｒｎｏｒＭｏｄｅｌＩｎｃｌｕｄｉｎＵｎｉｔＣｏｏｒｄｉｎａｔｅｄＣｏｎｔｒｏｌ［］，，ｇＳｙｓｔｅｍａｎｄｉｔｓＡｐｐｌｉｃａｔｉｏｎ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｆｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２００８，３２（２２）：－１０３１０７．［１７］林京屈梁生．基于连续小波变换的信号检测技术与故障诊断分析［Ｊ］．机械工程学，２０００３６－报１２：９５１００．，，（）１Ｓｕｎ了ａｎＹ．Ｓｉｎｕｌａｒｉｔｙａｎａｌｓｉｓｕｓｉｎｃｏｎｔｉｉｍｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｆｏｒｂｅａｒｉｎｆａｕｌｔ［巧Ｑ，ｇｇｙｇｇ－化ａｎｏｓｉｓ口？Ｍｅ浊ａｎｉｃａｌＳｓｔｅｍｓａｎｄＳｉｎａｌＰｒｏｃｅｓｓｉｎ２００２１６６：１０２５１０４１．ｇ］ｙｇｇ，，（）６２ 华北电力大学硕±学位论文［１却杨宇，于德化程军圣基于ＥＭＤ的奇异值分解技术在滚动轴承故障诊断中的应－用饥．０５２４２５．振动与冲击，２０：１２１，（）［２０王太勇，何慧龙王国锋．基于经验模态分解和最小二乘法支持向量机的滚动轴承］，－％故障诊断机．机械工程学报．２００７４３４：８８．，（）ＰＵＬｉＨＺｈｅｎＨＹａｎＳＰ．ＴｈｅＦａｕｌｔＤｉａｎｏｓｉｓｏｆＢｅａｒｉｎＢａｓｅｄｏｎＥＭＤａｎｄＴｅａｅｒ，ｇＱ，ｇｇｇｇＥｎｅｒＯｅｒａｔｏｒ－Ｊ．ＶｉｂｒａｔｉｏｎａｎｄＳｈｏｃｋ２００８２７１０：１５１８．ｇｙｐ［］，，（）［２２］雷亚国，何正嘉，紫艳阳．基于混合智能新模型的故障诊断［Ｊ］．机械工程学报，２００８，７－４４：１１２１１７．（）［２３］张琳，黄敏．基于ＥＭＤ与切片双谱的轴承故障诊断方法［Ｊ］．北京航空航天大学学２０１０３６３２８７－２９０报．：，，（）［２４］ＷｕＺＨ，ＨｕａｎｇＮＥ．Ｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ：ａｎｏｉｓｅａｓｓｉｓｔｅｄｄａｔａａｎａ－ｌｓｉｓｍｅｔｈｏｄＪ．ｄｖａｎｃｅｓｉｎＡｄａｖｅＤａｔａｎａｌｓｉｓ２００９１１１４１．ｙ［］ＡｐｔｉＡｙ，，（）：２李友荣肖涵等．．基于加权相空间重构降噪及样本摘的齿轮故障分类Ｊ［巧呂勇，，，［］２５－振动工程学报：４６２４．，２００９，２（）６６２．．［巧杨世锡，汪慰军柯尔莫哥洛夫滴及其在故障诊断中的应用阴拆械科学与技术，２０００－；１９１：６８．，（）２７李兵张培林米巧山ＧＡ－ＳＶＭ的轴．基于ＥＭＤ与．机械强［］，等承故障诊断［Ｊ］度，，，２０１０－：５８：３２３３３６２．（）口巧杨国安．机械设备故障诊断实用技术Ｍ．北京：中国石化出版社２００７．］，［２９苏文胜．滚动轴承振动信号处理及将征提取方法研究Ｄ工大学．大连：大连理［］［］，２０１０．口０黄建鸿．基于小波包分析的滚动轴承故障智能诊断Ｄ］．南昌大学２００５．］［，１郭奇刘ｈ瑜史立波二ｎｅｒ－ｅ口．基乎Ｖｉｌｌ］等次ＥＥＭＤ的Ｗｉｇ分布旋转机械故障，，，２０－信号分析及试验研究［Ｊ］．振动与冲击，１２３１１３１２９１３３．，（）：口３李揖郑海起唐力佑基于ＥＭＤ和功率谱的齿轮故障诊断研巧Ｊ．振动与冲击］２００６１－２５：１３３１３５．，（）３张超军郭迅．基于ＥＭＤ能量俯和支持向量机的齿轮故障诊断方法阴．振口］，陈建，２０－动与冲击，１０２９０：２１６２２０．，（１）［３４］鞠萍华，秦树人，秦毅，等．多分辨ＥＭＤ方法与频域平均在齿轮早期故障诊断中的研究Ｊ－．振动与冲击２００９２８５９１０１．［］：７，，（）口５］时世晨，单佩韦．基于ＥＥＭＤ的信号处理方法分析和实现饥．现代电子技术，２０－１１３４１；８８９０．，（）３．ＭＤ．［巧曹冲锋，杨世锡，杨将新大型旋转机械非平稳振动信号的ＥＥ降噪方法机振动与冲击２００９－３８２８９：巧．，，（）［３７］田海雷，李洪儒，许谋华．基于ＥＥＭＤ和平滑能量算子解调的轴向柱塞累故障特征提取机－．海军工程大学学报２０１３１：４３４７．，（）口巧陈％李野陈满．ＥＥＭＤ分解在电力系统故障信号检测中的应用化计算机仿真，，６３ 华北电力大学硕±学位论文：％３福２０１０３．（）３－．基于改进证化ｅｒｔＨｕａｎ换的机械故障诊断町机械工程学化２０１１［刊雷亚国ｇ变，４７５－（：７１７７．）４０林近山．基于ＥＥＭＤ和脚ｂｅｒｔ变换的齿轮箱故障诊断町化械传动２０１０３４５：［］，，（）６２－６４．［＂］程军圣，于德介，杨宇．基于ＳＶＭ巧ＥＭＤ包络谱的滚动轴承故障诊断方法阴，２００６２５９－系统工程理论与实践：１３１１３６．，，（），４＾ＪｏａｃｈｉｍｓＴ．ＭａｋｉｎｌａｒｅｓｃａｌｅＳＶＭｌｅａｍｉｎｒａｃｔｉｃａｌＪ．１９９９．［ｇｇｇｐ［］４３ＬｅｓｌｉｅＣＳＥｌｋｉｎＥＮｏｂｌｅＷＳ．Ｔｈｅｓｅｃｔｒｕｍｋｅｒｎｅｌ：ＡｓｔｒｉｎｋｅｒｎｅｌｆｏｒＳＶＭｒｏｔｅｉｎ［］，，ｐｇｐｄａｓＰａ２－ｓｉｆｉｃａｔｉｏ打Ｃ／／ｃｉ行ｃｓｍｏｓｈｉｍｏｎｂｉｏｃｏｍｕｔｉ打．２００７：５６６５７５．［］ｙｐｐｇ，４ｈｅｎ－ＹＺｈｏｕＸＳＨｕａｎＳ．ＯｎｅｃｌａｓｓＳＶＭｆｂｒｌｅａｒｎｉｎｉｎｉｍａｅｒｅｔｒｉｅｖａｌＣ／／Ｉｍａｅ［句Ｃ，，ｇ了ｇｇ［］ｇＰｒｏｃｅｓｓ－ｉｎ２００１．ｒｏｃｅｅｄｉｎｎｅｒｎａｔｉｏｎａｌｆｅｒｅｎｃｅｏｎ．ＥＥ２００１１：３４３７．Ｐｓ，２００１ＩｔＣｏｎＩＥｇ，ｇ，，６４ 华北电力大学硕±学位论文攻读硕±学位期间发表的论文及其它成果［１］刘觉晓，杜冬梅．ＥＭＤ与ＥＥＭＤ在滚动轴承故障诊断中的比较．华北电力大学第十二届研究生学术交流年会，２０１４化 华北电力大学硕止学位论文致谢，岁月如梭，白鞠过隙，转眼间，两年半的硕±生涯即将结束，期间有苦也有乐更！多的是收获！在此向所有关也帮助过我的老师、同学、朋友、家人致Ｗ由衷的感谢感谢我的导师，华北电力大学能动学院杜冬梅教授，在论文工作期间，杜冬梅老师严谨的治学态度、渊博的专业科学知识，给了我深深的感动，从她那里除了学到了很多相关专业知识外，我也从她身上学到了很多做人做事的优良作风。为了我的毕业论文的！完成，，杜老师倾注了大量的也血在此谨向我的导师致Ｗ深深的谢意感谢何青教授，，在我攻读硕±的两年半的时间里给予我学习上，Ｗ及生活上的巨大帮助。感谢何青教授在我科研课题上的帮助，给我指出了研究方向Ｗ及在遇到困难时为我指点迷津！，在此谨向我的指导老师致Ｗ深深的感谢感谢华北电力大学电站设备状态监测与故障诊断实验室的同学，褚东亮博±、张陳傅±、张昭、李展，Ｗ及范世岩、刘猜、徐威、赵龙等人，在硕±期间给予我无私的帮助与鼓励！，带给了我们这个实验室很多难忘的回忆，再次感谢感谢华北电力大学６号宿舍楼１１３宿舍的室友，吴松畔、高征、曹雷，感谢你们陪！伴我度过两年时间，在我迷茫的时候给我鼓励，在我孤单的时候给我关怀，谢谢一最后，特别感谢养育我的父母，是你们后援与支持，我才路上后顾无忧，只希望在不远的将来能回报你们的培养。６６
此文档下载收益归作者所有
