EEMD和优化的频带熵应用于轴承故障特征提取

发布时间：2021-01-03 03:59

　　针对滚动轴承早期故障特征提取困难的问题,提出了将集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和优化的频带熵（OFBE）相结合的轴承故障特征提取方法。针对EEMD的多个本征模态分量（Intrinsic Mode Function,IMF）,如何选出更能反映故障特征的敏感IMF的问题,提出一种基于频带熵的敏感IMF的选取方法。首先,对原始振动信号进行EEMD分解,获得一系列IMFs;然后,对原信号和各个IMF分量求频带熵,在熵值最小处设计带通滤波器带宽作为特征频带,比较各个IMF的特征频带与原信号熵最小值所处频带之间的从属关系,进而选出反映故障特征的敏感IMF。由于背景噪声的影响,从选取的IMF中难以准确地得到故障频率。因此,利用FBE在选取IMF的基础上设计的带通滤波器,并提出利用包络峭度最大值原则优化带宽,然后对其进行带通滤波,并进行包络功率谱分析以提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性和优势。 

【文章来源】：振动工程学报. 2020年02期 北大核心

【文章页数】：10 页

【部分图文】：

诊断方法流程图

内圈故障仿真信号

图2 内圈故障仿真信号式中系统采样频率fs为12000 Hz，结构共振频率fn为3000Hz，内圈故障频率fi为79Hz，转频fr为28Hz，系统衰减系数记为B，且其值为500。为了验证算法的有效性，添加了信噪比为-5dB的随机噪声。仿真信号时域图如图2(a）所示，由于噪声影响，很难提取到冲击特征。由图2(b）的包络谱可知，虽然可以提取故障特征频率、倍频及转频，但都被通频带噪声包围。因此，有必要对其进行预处理，以提高信号的信噪比。

【参考文献】：
期刊论文
[1]基于快速谱峭度图的EEMD内禀模态分量选取方法[J]. 蒋超,刘树林,姜锐红,王波.  振动.测试与诊断. 2015(06)
[2]基于EEMD形态谱和KFCM聚类集成的滚动轴承故障诊断方法研究[J]. 郑直,姜万录,胡浩松,朱勇,李扬.  振动工程学报. 2015(02)
[3]一种谱峭度和Morlet小波的滚动轴承微弱故障诊断方法[J]. 丁康,黄志东,林慧斌.  振动工程学报. 2014(01)
[4]基于EEMD和共振解调的滚动轴承自适应故障诊断[J]. 周智,朱永生,张优云,朱川峰,王鹏.  振动与冲击. 2013(02)
[5]基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法[J]. 胡爱军,马万里,唐贵基.  中国电机工程学报. 2012(11)
[6]滚动轴承故障的EMD诊断方法研究[J]. 高强,杜小山,范虹,孟庆丰.  振动工程学报. 2007(01)



本文编号：2954269