ISSN10003762 CN41 1148/TH
轴承2017年11期 Bearing 2017,No.11
60 64
D0I:10.19533/j. issn1000 3762.2017.11.015
基于MED-EMD和切片双谱的滚动轴承
故障特征提取
李延峰"，韩振南'，刘邱祖"，王志坚2
（1.太原理工大学机械工程学院，大原030024;2.中北大学机械与动力工程学院，大原030051）
摘要：针对风电齿轮箱中轴承故障信号非线性、非平稳的特点，提出了基于最小摘反裙积（MED）、经验模态分解（EMD)和切片双谱相结合的方法来提取轴承的微弱故障特征。通过MED-EMD将原始信号降噪分解为多个本征模态函数（IMF），对与原始信号相关性强的IMF分量进行切片双谱分析，从而提取微弱故障特征频率。对仿真信号和风电齿轮箱轴承实测信号的分析表明：选取MED作为EMD的前置滤波器能够弥补强背景噪声下 EMD分解的不足，切片双谱分析能够抑制高斯噪声，提高信噪比，得到了风电齿轮箱故障产生于中间齿轮轴电动机侧轴承内圈点蚀的正确判断。
关键词：滚动轴承；风电齿轮箱；EMD；MED；切片双谱；故障诊断
中图分类号：TH133.33；TH213.3
文献标志码：B
文章编号：10003762(2017)11006005
FaultFeatureExtractionofRollingBearingsBasedonMED-EMDand
SliceBispectrum
Li Yanfeng',Han Zhennan', Liu Qiuzu', Wang Zhijian
(1. College of Mechanical Engineering,Taiyuan University of Technology, Taiyuan 030024, China;2. School of
Mechanical Engineering and Automation,North University of China,Taiyuan 030051,China
Abstract: The fault signal of wind turbine gearbox bearings has characteristics of nonlinear and non stationary, the combination method is proposed based on minimum entropy deconvolution ( MED), empirical mode decomposition(EMD) and slice bispectrum to extract weak fault feature of the bearings, The original signal denoising by MED EMD is decomposed into several intrinsic mode functions (IMF) , and the IMF components having strong correlation with o riginal signal are analyzed with slice bispectrum to extract weak fault feature frequency. The analysis of simulation sig nal and measured signal of wind turbine gearbox bearings shows that the MED is selected as prefilter of EMD, and the shortcomings of EMD decomposition are com
mpensated under strong background noise.The Gaussian noise is suppressed
and the signal to noise ratio is improved by slice bispectrum analysis, The results verify the correct judgment that the fault of wind turbine gearbox comes from inner ring pitting of the bearings in intermediate gear shaft on motor side. Key words: rolling bearing; wind turbine gearbox; EMD; MED;slice bispectrum;fault diagnosis
轴承是风力发电机齿轮箱中的关键零件，是齿轮箱正常、高效运行的保障。轴承的振动信号收稿日期：2017-02-23；修回日期：2017-05-21
基金项目：国家自然科学基金项目（50775157)；山西省基础研究项目（2012011012-1）
作者简介：李延峰（1990一），男，山西太原人，硕士，主要研究方向为机械故障诊断，E-mail；liyanfeng0043@163.com。通信作者：韩振南（1958一），男，山西太原人，博士，博士生导师，主要研究方向为机械故诊断分析、车辆振动噪声控
制，Email;Zhennan_han@hotmail.com。万方数据
通常表现为调频、调幅形式，各成分之间相互叠加，信号具有非线性、非平稳、非高斯和复杂性等特点[1]，传统的频谱分析方法将信号假定为平稳高斯信号进行处理，会出现严重的“频率模糊”现象(2）。经验模态分解（EmpiricalModeDecomposi-tion,EMD)[3-5]能将复杂的多分量信号分解为有限个本征模态函数（IntrinsicModeFunction，IMF）之和，每个IMF分量所包含的频率成分不仅与分析频率有关，而且具有自适应的特点，具有很高的信噪比，非常适合处理非线性和非平稳信号[3]。