第10期
姜建国等.基于CEEMD和诺峭度的轴承故障诊断
基于CEEMD和谱峭度的轴承故障诊断
姜建国刘盈萱
（东北石油大学电气信息工程学院，黑龙江大庆163318）
摘要针对共振解调在滚动轴承故障诊断应用中带通滤波器参数选择图难的情况，提出一种互补总体平均经验模态分解方法(CEEMD)与谱靖度相结合的轴承故障诊断新方法。通过实际信号验证了该
方法的可行性与准确性。关键词轴承故障诊断
斤互补总体平均经验模态分解谱度
中图分类号TH133.33
文献标识码A
故障诊断是根据系统的测量数据和故障库中的知识来判断系统是否发生故障的过程""。共振解调是滚动轴承故障诊断中最常用的方法之其原理是根据实际需要选择某一高频固有频率作为研究对象，通过中心频率等于该固有频率的带通滤波器进行带通滤波，从而将固有振动信号分离出来(2-4），再通过包络检波器进行检波，去除信号中的高频成分，从而得到只含有故障特征信息的低频包络信号。通过对该低频包络信号进行频谱分析就可诊断出故障信息。然而共振解调法涉及参数的设定，这需要依靠操作者的能力和经验，限制了共振解调的应用范围。
Dwyer首先提出了谱峭度，将谱峭度视为一个统计量作为传统功率谱密度的补充，用来检测含噪信号中的瞬态成分。Vabrie针对平稳信号作了进一步的研究，对谐波过程的特性刻画提出一些方法。为了更准确地定义非平稳过程的谱峭度，AntoniJ通过Wold-Cramer分解来定义谱峭度[5]，该定义使得对谱销度及其一些特性有了新的理解，开辟了谱峭度在机械故障诊断应用中的薪前景。
经验模态分解（EMD）是由HuangNE和Wu ZH最先提出的(6)，该方法将信号分解为有限个具有瞬时物理意义的内敏模态函数（IMF），但由于EMD分解法中相似尺度信号可能存在于不同的IMF分量中，因此限制了其发展。后来Deering R和KaiserJF通过向待分解信号中添加掩膜信号的方法来均匀原始信号极值点的分布，达到了抑制模态混滑的目的。随后WuZH和Huang
万方数据
文章编号1000-3932(2016)10-1043-05
1043
NE提出了噪声辅助方法分析，通过向原始信号中加入一定的白噪声，使得不同尺度上的信号具有连续性"），该方法称为集合经验模态分解（EE-MD)。为避免加人的白噪声随机性太强，无法彻底中和。Yeh对EEMD傲了更深层次的改进，通过加人大小相等、符号相反的辅助噪声来消除信号中残余的辅助噪声，该方法称为互补集合经验模态分解（CEEMD）。
CEEMD分解 CEEMD原理
1.1
CEEMD通过对分解信号中添加符号相反的高斯白噪声，既保证了信号的连续性，得到最佳的 IMF分量，又防止了添加的白噪声不能被完全中和的问题。其算法步骤如下(9]：
a.对原始信号x[n]添加I次白噪声w[n](i=1,2，,I){10)，白噪声以正负对的形式加人，得到21个信号["]-{="][”,]。
b.分别对集合中每个信号x【n](i=1,""， 2I)依次进行EMD分解，得到一组模态函数 IMF[n]，计算第1个本征固有函数为IMF,[n］= 1
EIMFi【n]，第1个余量为r,【n］=x[n】-21台
IMF,[n]。
c.对于k=2，",K，计算第k个余量 r[n]=T(t-1【n］-IMF,【n]，分解函数变为 r,[n]+,E,（w,[n]),此时有IMF(++)[n]=
收稿日期：2016-09-09（修改稿）