基于eemd的滚动轴承微弱故障特征提取方法研究

《基于eemd的滚动轴承微弱故障特征提取方法研究》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。

1、ufna密级：公开工学硕士学位论文基于EEMD的滚动轴承微弱故障特征提取方法研究MethodResearchofWeakFaultFeatureExtractionofRollingBearingBasedonEEMD培养单位：机械工程学院专业：载运工具运用工程研究生：王少君指导教师：杨绍普教授二〇一六年六月独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得石家庄铁道大

2、学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：日期：摘要机械设备的构造十分复杂，每个零件之间相互的联系十分密切。任何一个部件损坏都会影响到设备的正常运转。轴承是旋转机械中极易损坏的部件之一。因此，研究有效的轴承故障诊断方法，特别是早期的微弱故障特征提取方法。及时发现并排除这些关键部件的故障，对设备安全生产具有重大意义。滚动轴承的故障信号，特别是早期的微弱故障信号往往淹没在强大的噪声背景下，不易提取。这些振动信号兼有非线性和

3、非平稳的特点。本文从降噪和非线性的信号处理方法两方面入手，对滚动轴承的振动信号进行以下主要研究：经过理论和仿真分析，发现在非线性信号处理方面：EEMD分解较EMD分解有更好的抗混叠效果；自相关函数降噪性能优越，可保留信号原有的频率成分；时延相关解调在早期故障提取特征方面具有很大的优势。提出将相关峭度法应用在IMF分量优选方面，通过实测数据分析表明该方法在优选IMF分量方面的效果要明显优于峭度法和相关系数法。针对调制频率突出的高频信号，提出一种基于EEMD和相关峭度的时延相关解调故障特征提取方法。该方法先将

4、信号进行EEMD分解，然后用相关峭度法来优选IMF分量，弥补了峭度法或相关系数法的不足。然后对重构信号进行时延相关解调，有效的削弱了经过EEMD分解给重构信号中增添的噪声的影响。通过仿真分析，发现该方法较基于EEMD分解后直接对重构信号Hilbert解调的效果更好，可准确的提取故障的基频及其倍频成分，提高了故障诊断的准确性。同时也说明了其在早期故障特征提取方面的优势。针对调制频率不明显的低频信号，提出了一种基于EEMD和自相关的边际谱故障特征提取方法。该方法先将信号进行EEMD分解，对其中具有低频故障且时

5、域特征明显的IMF分量进行自相关降噪处理，该过程有效的抑制了与低频故障相似的频率干扰。然后对自相关处理后的IMF分量做边际谱分析。通过仿真实验，发现该方法不仅能去除故障频率外的边频带，而且比直接EEMD分解进行边际谱分析更加准确和有效。搭建了滚动轴承故障诊断实验台，利用以上提出的两种改进算法对滚动轴承内圈、外圈和滚动体的早期故障数据进行分析。验证了基于EEMD和相关峭度的时延相关解调法，优于EEMD分解后直接Hilbert解调的方法，其解调的故障基频和倍频都十分明显，适用于早期故障诊断；验证了基于EEMD

6、和自相关的边际谱法优于EEMD分解后直接做边际谱方法，该方法有效抑制干扰边频带的同时使得提取的故障特征频率更加准确，提高了故障诊断的准确性和有效性。关键词：早期故障；EEMD；相关峭度；时延相关解调；自相关；边际谱AbstractThestructureofmechanicalequipmentisverycomplicated,andeachpartiscloselyrelatedtoeachother.Anypartappeardamage,willaffectthenormaloperationof

7、themachine.Bearingisoneofthemosteasilydamagedpartsinrotatingmachinery.Therefore,studytheeffectivebearingfaultdiagnosismethods,especiallythemethodforextractingthefeatureofweakfault.Itisofgreatsignificancetofindandliftfaultofthesekeypartstimely.Rollingbeari

8、ngfaultsignals,especiallyearlyweakfaultsignalsareoftensubmergedinthestrongbackgroundnoiseandnoteasytoextract.Noiseseriouslyaffectstheaccuracyofthefaultfeatureextraction.Thesevibrationsignalhascharacteristicsofnonlin