ISSN1000 3762 CN41 1148/TH
专题综述
轴承2016年6期 Bearing 2016,No.6
经验模态分解在滚动轴承故障诊断中的
应用与扩展
张旭,2,3，李超强",2,3，杨柳1,2,3，王玉良",2,3，钞仲凯1,2,3
59 62
(1.洛阳轴研科技股份有限公司，河南洛阳471039;2.河南省高性能轴承技术重点实验室，河南
洛阻
471039;3.滚动轴承产业技术创新战略联暨，河南洛阳471039)
摘要：针对滚动轴承故障诊断过程中的故障信号特征提取环节，介绍了经验模态分解的基本原理、特性，以及其存在的端点效应和模态混叠等不足，并以此为基础分析了局部均值分解、总体平均经验模态分解和经验小波变换。结果表明：通过改进经验模态分解的曲线拟合方法，加人高斯白噪声及结合小波分析等方法，可以提高 EMD特征提取的可靠性及计算速度，
关键词：滚动轴承；故障诊断；经验模态分解；小波分析
中图分类号：TH133.33;TN911.7
文献标志码：B
文章编号：10003762(2016)06005904
ApplicationandExtensionofEmpiricalModeDecompositioninFault
DiagnosisforRollingBearings
Zhang Xu'2.3,Li Chaoqiang'2, Yang Liu.2.3, Wang Yuliang'-2.3, Chao Zhongkai.2.3
(1. Luoyang Bearing Science & Technology Co. , Lid. ,Luoyang 471039 , China ;2. Henan Key Laboratory of High Performance Bearing Technology , Luoyang 471039 , China ;3. Strategic Alliance for Technology Innovation in Rolling
Bearing Industry , Luoyang 471039, China)
Abstract: Aiming at feature extraction for fault signals during fault diagnosis process for rolling bearings, the basic principles and characteristics of empirical mode decomposition are introduced, and the deficiencies about end effect and mode mixing are discussed. Based on this, the local mean decomposition, ensemble empirical mode decomposition and empirical wavelet transform are analyzed. The results show that the reliability and calculation speed of feature extraction for EMD are improved by improving curve fiting method for empirical mode decomposition and adding white Gaussian noise and combining wavelet analysis.
Key words : rolling bearing; fault diagnosis; empirical mode decomposition ; wavelet analysis
滚动轴承是旋转机械设备的关键部件，其运行状态直接影响整机的稳定性和寿命。据统计，约30%的机械故障与轴承损伤有关；其中，轴承发生剥落、点蚀等表面损伤类故障时，损伤会迅速加剧，导致轴承失效并造成整机运行受阻。因此，对轴承运行状态的监测及故障诊断至关重要。
滚动轴承故障诊断的流程如图1所示，由于信号拾取的不确定性，信号处理基本上决定了故收稿日期：2016-03-16
障特征提取的正确率，是影响最终诊断结果的关键环节。目前，时频分析是主要的信号处理方法： Fourier变换是基本的时频变换，主要用于线性、稳态的频谱分析；小波分析具有多分辨率分析的特点，但选定小波基函数和变换尺度时也随之确定
信息给取 Fig.1
特征
状识别
图！滚动轴承故障诊断流程
参所分析
Fault diagnosis process for rolling bearing