设备设计/诊断维修/再制造
现代制造工程（ModemManufacturingEngineering）
2014年第2期
基于EEMID和包络分析的滚动轴承故障诊断研究
李丹丹"，杨智良'，李昌林
（1安徽农业大学工学院，合肥230036;2中国科学技术大学精密机械与精密仪器系，合肥230027）摘要：在较大的背录噪声中，对旋转机械进行监测，包络分析不能从测得的振动信号中解调出故障。基于旋转机械振动信号具有非平稳、非线性特点，提出一种新的基于EEMD和包络分析的滚动轴承故障诊断方法，该方法首先运用EEMD 方法将振动信号分解成有限个本征模态分量和残余量，对这些分量进行包络分析，可以解调出故障。通过仿真信号和
实际滚动轴承外圈的振动信号分析表明该方法能够有效地识别滚动轴承的故障。关键调：集合经验模式分解；希尔伯特包络分析；故障诊断；滚动轴承
中图分类号：TH165.3;TN911.7文献标志码：A文章编号：1671—3133(2014)02—0129—06
Faultdiagnosisinrollingbearingsbased onEEMDandenvelopeanalysis
Li Dandan',Yang Zhiliang,Li Changlin?
(1 School of Engineering,Anhui Agricultural University,Hefei 230036,China;
2Department of Precision MachinaryInstrumentation,University of
Science and Technology of China, Hefei 230027, China)
Abstract ; In the large background noise,the fault was not demodulated from the measured vibration signals by envelope analysis. Vibration signals of rotating machinery have the non-stationary and non-linear characteristics, A new method is proposed based on es ori ak ssouep ey uea uor a og siskee adoasa pue uoodoao apo da a a nals are decomposed into a finite number of Intrinsie Mode Functions ( IMFs) and one residue by EEMD, Secondly, the fault characteristic frequency is extracted from the IMFs by envelope analysis. It is showed that this method can effectively identify roll-
ing bearing fault through the simulation signal and the actual vibration signals of rolling bearing ouler race. Key words; EEMD; Hilbert envelope analysis;fault diagnosis;rolling bearing
0引言
机械设备中大部分都是旋转机械，它覆盖着动力、电力、化工、冶金及机械制造等重要工程领域。旋转机械的速度一般都很高，对故障诊断的技术要求就特别迫切，如发电机、汽轮机、鼓风机和大型轧钢机等，这类设备往往是工厂的关键设备，其工况状态不仅影响该机器设备本身的运行，而且还会对后续生产造成损失，甚至导致机毁人亡事故"]。因此，旋转机械是机械故障诊断的重点，而许多旋转机械的故障都和轴承相关。滚动轴承是机械中的易损元件，据统计旋转机械的故障有30%是由滚动轴承引起的，它的好坏对机械的工作状态影响极大(2)，因此对滚动轴承的状态监测与故障诊断具有重要的现实意义。
Fourier变换用于线性系统分析，分析信号是周期性的、平稳的，否则分析的频谱没有物理意义，在非平稳信号处理方面已经逐被小波变换所取代。但小
万方数据
波变换也具有自身不可避免的缺陷：干扰项的存在、边缘失真以及能量的泄漏。于是，N.E.Huang在1998 年提出了一种全新的用于分析非平稳、非线性信号的方法即希尔伯特黄变换（HHT)[3]。对于非平稳、非线性信号，经验模式分解（EMD）是强有力的信号时频域处理方法，把一个信号分解成本征模态分量（IMF）和残余量之和。近年来EMD已应用于客种领域，例如建筑结构损伤检测(4)、生物科学(3)，但EMD存在模态混叠问题，模态混叠是指1个本征模态分量中包含差异很大的特征时间尺度，或者相近的特征时间尺度分布在不同的IMF中，为了抑制模态混叠，Huang等人提出集合经验模式分解（EEMD），是一种噪声辅助的数据分析方法，能够很好地还原信号的本质，是对EMD 算法的重大改进[68]。此后有学者对EEMD进行了研究，取得了不错的成果。文献[9]对大型旋转机械非平稳振动信号用EEMD进行降噪，弥补了小波降噪方法对调频调幅信号处理过程中存在的特征波形匹配
129