第3期 2017年3月
组合机床与自动化加工技术
Modular Machine Tool & Automatic Manufacturing Technique
文章编号：10012265(2017)03010504
D0I:10. 13462/j. cenki. mmtamt. 2017. 03. 027
LMD与小波阈值降噪结合的轴承故障识别
张启帆，侯力，魏永峭，赵斐，吴阳（四川大学制造科学与工程学院，成都610065）
No.3 Mar.2017
摘要：直接小波阅值降噪会使有用信号部分失真，为更好地对轴承故障进行特征提取，提出将局部均值分解(LMD)与小波阀值降噪结合进行降嗪处理，其方法是：对含噪音的信号先进行LMD分解，并仅对分离出的高频信号分量采用改进阅值函数的小波降噪，保留残余信号的完整数据，然后重构信号。通过MATLAB仿真和轴承故障特征提取实验表明，与其它几种信号降噪方法相比，基于LMD方
法并改进阔值函数的小波降噪方法，能提高信噪比，能更好的对信号进行特征提取。关键词：局部均值分解；小波降噪；改进阀值；轴承；故障识别
中图分类号：TH133.3：TG506
文献标识码：A
Fault Recognition of Bearing Based on LMD and Wavelet Threshold De noising
ZHANG Qi-fan, HOU Li, WEI Yong-qiao ,ZHAO Fei, WU Yang
( School of Manufacture Science and Engineering , Sichuan University , Chengdu 610065 , China)
Abstract : The traditional wavelet threshold de-noising directly effects on the whole signal, which often cau-ses the loss of the useful signal features. In order to effectively carry out the feature extraction for the faulted bearing , the combination of local mean decomposition( LMD) and wavelet threshold de-noising is proposed : Firstly , LMD acts on the signal mixed with noise; Wavelet de-noising based on the improved threshold func-tion is used only for the high frequency PF component, and the complete signal data of the low frequency component is preserved; And then all the components are reconstructed to get the signal after de-noising The MATLAB simulation and experiment results of the bearing fault feature extraction show that compared with other methods of de-noising, the proposed method effectively improves signal-to-noise ratio ( SNR), which is suitable for the extraction of signal features.
Key words: local mean decomposition (LMD) ; wavelet de-noising; improved threshold function bearing ; fault recognition
0引言
轴承故障识别是提取系统振动信号的故障特征，而轴承故障时的振动信号是非线性、非平稳的时变信号。典型的时变分析方法有窗口傅立叶变换（STFT）和小波分析等，STFT的窗函数的大小和形状均保持不变，不利于分析时变信号，但小波变换具有多分辨率、去相关性和选基灵活的特点")。小波分析能够同时实现频域和时域的局部分析，通过平移和尺度伸缩等运算对信号进行多尺度分析，进而能有效的提取信号的细节部分2】，被誉为信号分析的显微镜
文献[3-4]提出基于小波变换的硬阅值和软阔值
降噪方法；文献「5-61针对软、硬阔值函数的缺陷，各自提出了改进闽值函数的小波降噪方法；文献[7]提出了结合经验模态分解（EmpiricalModeDecomposition，简称EMD)的小波降噪方法，并运用于主轴振动信号去噪；文献[8]对信号小波包降噪后，采用局部均值分解（LocalMeanDecomposition，简称LMD）来提取轴承故障特征。LMD相较EMD方法，具有送代次数少，运
收稿日期：20160615；修回日期：20160712
算速度快，较小的端点效应等优点")。以上都是基于单一方法进行研究，存在一定的局限性。
对此，本文提出一种LMD与改进的图值函数小波变换结合的方法来对信号进行降噪处理。通过LMD 筛选分解出的高频信号分量，对含噪的高频分量进行改进阔值算法的小波降噪处理，降噪后的高频信号与完整的低频信号一起重构得到原信号，于是小波国值降噪就仅作用于高频区域的信号分量，而非直接作用于整个信号。且在小波降噪过程中所采用的改进阔值算法理论上克服了软、硬阔值函数的缺陷，降噪效果更优。最后通过MATLAB仿真和轴承故障识别实验论证了所提出的新方法的可行性。
1信号处理方法 1.1LMD分析方法
LMD方法是将原始信号分解为若干个乘积函数(ProductFunction，简称PF)分量之和,其中每个PF分量均由一个包络信号和一个纯调频信号相乘得到。
作者简介：张启帆(1991一），男，湖北天门人，四川大学预士研究生，研究方向为机械设计及理论，(E-mail)zqfhb@foxmail.com 万方数据