改进的EWT方法在轴承故障诊断中的应用

发布时间：2022-01-23 10:30

　　为了实现经验小波变换中Fourier谱的自适应分割,提出了一种基于能量的尺度空间经验小波变换（Energy Scale Space Empirical Wavelet Transform,ESEWT）方法,并将此方法应用于轴承故障诊断。首先使用尺度空间的方法对傅里叶谱进行自适应划分,得到各频带分界点;接着根据各频带能量筛选频带分界点,使其保留能量大于均值的频带,合并小于均值的相邻频带;然后在得到有效的频带分界点后,设计小波滤波器组,得到分量信号;最后对各分量信号进行Hilbert变换,提取轴承的故障特征频率。通过实验验证,ESEWT方法能够减少频带分界点,在一定程度上改善了频带破裂现象,并且能够精确提取出轴承故障特征频率,凸显了故障频率及其谐波成分,能有效的识别轴承故障。 

【文章来源】：机械设计与制造. 2020,(05)北大核心

【文章页数】：5 页

【部分图文】：

EWT分解流程图

Fourier谱分割图

ESEWT方法中使用的尺度空间就是使用高斯函数对信号的频谱进行高斯平滑，平滑次数为数据长度的两倍。随着平滑次数的增加，一些虚假的频带分界点会消失，而真实的分界点会保留。所以每平滑一次，求取一次频带的分界点并记录下来。最后生成一张关于尺度和频带分界点的二维图像，这个图像记录的就是每一次平滑后的分界点位置。具体过程，如图3所示。2.3 ESEWT算法

【参考文献】：
期刊论文
[1]滚动轴承故障的振动信号诊断方法[J]. 吴斌,冯长建,罗跃纲,王敏杰.  机械设计与制造. 2009(11)
[2]FOURIER分析和小波分析在信号时频分析中的特性比较[J]. 刘海青,柳劲松.  平原大学学报. 2000(03)

博士论文
[1]滚动轴承振动信号特征提取及诊断方法研究[D]. 朱可恒.大连理工大学 2013
[2]旋转机械早期故障特征提取的时频分析方法研究[D]. 鞠萍华.重庆大学 2010



本文编号：3604166