168
化工自动化及仪表
基于ATVFD和EEMD的滚动轴承
故障特征频率提取方法研究
段玉液杨文涛
手刘继承蒋锐
（东北石浦大学，黑龙江大庆163318）
第41卷
摘要经验模式分解和集合经验模式分解方法存在模态混量和端点效应间题，难以有效提取故障特征频率。为此，提出一种基于自适应时变滤波分解和集合经验模式分解相结合的新方法，该方法结合了自适应时变滤波分解方法分解精度高、抑制边界效应，以及集合经验模式分解避免模态混叠的优点，通过时频分析法边际谱有效地提取出故障特征频率。
·时频分析法轴承故障诊断
关键调经验模式分解集合经验模式分解
自遗应时变滤波分解
中图分类号TH133.33
文献标识码、A
滚动轴承是旋转机械中应用最广泛的基本组成部件，也是易损零件，据统计，机械故障中70% 是振动故障，其中30%的故障都与滚动轴承有关[1]，轴承的使用周期过短会影响机械设备的正常生产[2]。旋转机械在生产运行中其振动信号是混在强噪声环境下的非平稳随机信号，传统的傅里叶变换并不能满足针对这类非线性、非平稳信号的分析需要。1998年由HuangNE等提出种新的时频分析法（Hilbert-HuangTransform， HHT），能够有效地对非线性、非平稳信号进行分析，同时具有良好的自适应性[3]。HHT在机械故障诊断领域已得到广泛的应用，并取得了良好的效果，但存在一些不足，如HHT的核心内容经验模式分解（EmpiricalModeDecomposition，EMD）产生模态混叠，影响分析结果。为了克服这一缺点， WUZH和HuangNE提出了EMD方法的改进集合经验模式分解（EnsembleEmpirical ModeDecomposition，EEMD），利用高斯白噪声具有频率均匀分布的统计特性，使信号在不同尺度上具有连续性，从而有效地解决了模态混叠问题[4]。但是，EEMD算法中核心方法依旧是EMD 方法，其端点效应问题仍旧存在而且计算速度和精度不高。笔者提出一种基于自适应时变滤波分解（Adaptive Time Varying Filter Decomposition， ATVFD）和EEMD相结合的新方法，使分解结果更加准确，且避免了端点效应带来的影响，通过 HHT边际谱提取出故障特征频率。实验结果表
万方数据
文章绩号
1000-3932(2014)02-0168-05
明，笔者提出的方法能够应用于滚动轴承的故障诊断[5.6]。
HHT基本原理 1
HHT方法分析信号有两个基本步骤[7."]： a.使用EMD分解把信号分解成固有模态函
数（IntrinsicModeFunction，IMF），其需要满足两个条件，即在整个数据中，其极值点个数和过零点的数目相等或最多差一个；在任意点，由局部极大值构成的上包络和由局部极小值构成的下包络的均值必须为零。
b.对IMF进行Hilbert时频谱和边际谱分析。
1.1EMD算法原理
对于信号（t），计算所有信号的极大值和极小值，用三次样条插值函数拟合出上包络线u（t）和下包络(t)，得到平均曲线：
m,(t) =
[(t) +(t)]
从而得到第个IMF分量h,(t)：
h, (t) =x(t) =m,(t)
(1)(2)
这时h，（t）可能不满足IMF定义，需要再次筛选：
h =h,(t) m.(t)
(3)
重复式（3）直到满足筛选停止准则0.2< 收稿日期：2013-08-02（修改稿）
基金项目：黑龙江省"长江学者后备支持计划"资助课题