形态滤波与EEMD在振动筛轴承故障诊断中的应用
基于RSGWPT和EEMD的滚动轴承故障诊断
滚 动 轴 承 是 旋 转 机 械 中使 用 广 泛 且 较 易 损 伤 的 机 械 零
１ 基本原理与方法
件 ，它 的 运 行 状 况 直 接 影 响 机 械 系 统 的 工 作 状 况 ，一 旦 出 现
故 障 可 能 导 致 重 大 事 故 的发 生 。 据 统 计 ，在 旋 转 机 械 设 备 故 １．１ 冗余 第 二 代 小 波包 变 换
摘 要 ：针 对 较 强 噪 声 环 境 下 的 滚 动 轴 承 故 障 识 别 问题 ，提 出并 研 究 了一 种 新 的 滚 动 轴 承 故 障 诊 断技 术 ，采 用将 冗余
二 代 小 波 包 变换 （ａｓＧＷＰＴ）和 集合 经验 模 态分 解 （ＥＥＭＤ）￣ 结合 提 取 故 障 特 征 的方 法 。仿 真 实验 和振 动 信 号诊 断 结 果表 明 ，此 方 法 可 以 提 取 特 征 频 率 。有 效 抑 制 噪 声 ，根 据 实 际数 据 准 确 地诊 断 出滚 动 轴 承 的 故 障 类 型 ，为 强 噪 声 背 景
ＷＡＮＧ Ｄｅ’ｌｉ，ＨＡＮ Ｂａｏ。ｚｈｕ，ＴＯＮＧ Ｑｉｎｇ—ｂｉｎ （Ｓｃｈｏｏｌ ｏｆＥ￣ｃｔｒｉｃｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅ￣ｉｉｎｇＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｏ＇ｉｎｇ １０００４４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｒｏｌｌｉｎｇ ｅｌｅｍｅｎｔ ｂｅａｒｉｎｇ ｆａｕｌｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｉｎ ｔｈｅ ｓｔｒｏｎｇ ｎｏｉｓｅ ｅｎｖｉｒ ｏｎｍｅｎｔ，ａ ｎｏｖｅｌ ｍｅｔｈｏｄ ｏｆ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｆｏｒ ｒｏｌｌｉｎｇ ｅｌｅｍｅｎｔ ｂｅａｒｉｎｇ ｉｓ ｐｒ ｏｐｏｓｅｄ ａｎｄ ｓｔｕｄｉｅｄ．Ｔｈｉｓ ｍｅｔｈｏｄ ｉｍｐｌｅｍｅｎｔｓ ａｎ ａｎａｌｙｓｉｓ ｃｏｍｂｉｎｉｎｇ
信号相关性和EEMD.Hilbert包络在滚动轴承故障诊断中的应用
Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｓ ｉ ｇ ｎ ａ ｌ Ｃｏ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ＥＥＭＤ— Ｈｉ ｌ ｂ ｅ ｒ ｔ Ｅ ｎ ｖ ｅ ｌ ｏ ｐ ｅ ｉ ｎ
Ｆ ａ ｕ ｌ ｔ Ｄｉ ａ ｎｏ ｇ ｓ ｉ ｓ ｏ ｆ Ｒｏ ｌ ｌ ｅ ｒ Ｂｅ ａ ｒ ｉ ｎ ｇ ｓ
佟雨燕 ，陆森林
（ 江苏大学 汽车与交通工程学院，江苏 镇江 ２ １ ２ ０ １ ３）
摘 要： 针对传统信号包络 的带通滤波器 的中心频率和带宽 的选择不确定性和经验模 式分解 （ Ｅ ＭＤ ） 在 非线性非平 稳信号处理 中存在 的模态 混叠 问题 ， 提 出了一种 以信号 的相 关性 为判 据， 获取 总体经验模式分解 （ Ｅ Ｅ ＭＤ） 的最佳 Ｉ ＭＦ
分量 ， 并对其进行 Ｈｉ ｌ ｂ ｅ ｒ ｔ 包络解调获取 故障特 征频率 ， 实现滚动轴承早 期故障的诊断 的新方法 。实验分析结果表 明：
该方法能够准确地识别和诊断 出滚动轴承的早期故障类型， 适合滚动轴承早期故障的精确诊 断， 具有一定实用价值 。 关键 词： 振动与波； 信 号相 关性 ； 总体经验模态分解； Ｈｉ ｌ ｂ ｅ ｒ ｔ 包络； 滚动轴承 ； 故障诊断 中图分类号： Ｔ Ｈ１ ３ ３ ＿ ３ ； Ｔ Ｐ ２ ０ ６ ３ ； Ｔ Ｐ １ ８ ； ０ ３ ２ ９ 文献标识码： Ａ ＤＯ Ｉ 编码： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ６ ． １ ３ ３ ５ ． ２ ０ １ ３ ． ０ ５ ． ０ ３ １
ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ（ Ｅ Ｅ ＭＤ ） ．Ｔ ｈ ｅ ｎ ，ｔ ｈ ｅ Ｈｉ ｌ ｂ ｅ ｒ ｔ ｅ ｎ ｖ ｅ ｌ ｏ ｐ ｄ ｅ ｍｏ ｄ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｗ ａ ｓ ａ ｐ ｐ ｌ ｉ ｅ ｄ ｔ ｏ ｔ ｈ ｅ Ｉ ＭＦ ｃ ｏ ｍ ｐ ｏ ｎ ｅ ｎ ｔ ｔ ｏ ｄ ｅ ｒ ｉ ｖ ｅ ｔ ｈ ｅ
一种改进的EEMD算法及其在滚动轴承故障诊断中的应用
一种改进的EEMD算法及其在滚动轴承故障诊断中的应用李亚超;刘政;马增强【摘要】With its adaptability and anti-aliasing,Ensemble Empirical Mode Decomposition(EEMD)is used widely in rolling bearing fault diagnosis.In order to solve the problem that the parameters of ensemble empirical mode decomposition(EEMD)is difficult to obtain,a method for fault diagnosis of rolling bearing based on modified EEMD and Teager energy operator is proposed.Firstly,the fault signal is preprocessed,the added white noise magnitude and the ensemble times is obtained.Then the fault signal is decomposed into several intrinsic mode function(IMF)by modified EEMD,and the IMF of biggest kurtosis is selected with Kurtosis Criterion and demodulated into Teager energy spectrum with Teager energy operator.Finally,the working status and fault type of rolling bearings is identified through the energy spectrum.The proposed method is applied to simulated signals and actual signals.The results show that the method could extract the weak feature frequency information of incipient fault of rolling bearing effectively.%总体经验模式分解(Ensemble Empirical Mode Decomposition, EEMD)方法由于其自适应性和抗混叠的特性,在轴承故障诊断领域得到广泛应用.针对总体经验模式分解(Ensemble Empirical Mode Decomposition, EEMD)方法中参数难以准确获取的问题,提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法.首先对故障信号进行预处理,自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数.之后对信号进行EEMD分解,得到若干个本征模态分量(Intrinsic Mode Function, IMF),利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调,最后通过能量谱识别出滚动轴承的工作状态和故障类型.将该方法应用到滚动轴承仿真故障数据和实际数据中,实验结果表明,该方法可有效提取滚动轴承故障特征频率信息,验证了所提方法的可行性.【期刊名称】《石家庄铁道大学学报（自然科学版）》【年(卷),期】2016(029)004【总页数】6页(P66-71)【关键词】滚动轴承;EEMD;Teager能量算子;故障诊断【作者】李亚超;刘政;马增强【作者单位】南车青岛四方机车车辆股份有限公司,山东青岛 266111;石家庄铁道大学电气与电子工程学院,河北石家庄 050043;石家庄铁道大学电气与电子工程学院,河北石家庄 050043;石家庄铁道大学电气与电子工程学院,河北石家庄050043【正文语种】中文【中图分类】TH165+.3滚动轴承是旋转机械中应用最为广泛、也是最容易损坏的零件之一。
基于改进EMD和形态滤波的滚动轴承故障诊断
基于改进EMD和形态滤波的滚动轴承故障诊断文成;周传德【摘要】针对滚动轴承故障振动信号的非平稳性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法.该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息.信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断.实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断.【期刊名称】《中国测试》【年(卷),期】2016(042)001【总页数】5页(P121-125)【关键词】改进经验模态分解;形态滤波;滚动轴承;故障诊断【作者】文成;周传德【作者单位】重庆科技学院机械与动力工程学院,重庆401331;重庆科技学院机械与动力工程学院,重庆401331【正文语种】中文具有局部损伤类故障的滚动轴承在运行时会产生冲击性异常事件，振动信号为非平稳信号；因此，滚动轴承故障诊断的关键是如何从非平稳振动信号中有效提取反映特征信息的异常成分。
经验模态分解（empirical mode decomposition，EMD）[1]是一种适用于非平稳信号的分析方法。
EMD将信号分解成若干固有模态函数（intrinsic mode function，IMF）[2]，近年来在滚动轴承故障诊断中得到了广泛应用。
然而，EMD方法存在模态混叠现象，易引起IMF分量失真[3]。
文献[4]提出剔除异常数据法来抑制模态混叠，该方法只针对特定的异常信号，当异常事件为故障信息时无法提取特征信息。
刘小峰[5]利用小波包对模态混叠的IMF进行分解并重构新的固有模态分量；但现场故障信号复杂，EMD处理后很难确定存在模态混叠的IMF阶次。
Huang等[6]提出的总体平均经验模态分解（ensemble empirical mode decomposition，EEMD）成功解决了模态混叠问题，但分解效果与叠加的噪声水平和平均次数有很大的关系[7]，计算量过大，效率偏低。
EEMD和优化的频带熵应用于轴承故障特征提取
EEMD和优化的频带熵应用于轴承故障特征提取近年来，轴承故障诊断已经成为了工程领域中的一个热门研究方向。
准确识别轴承故障特征对于设备的正常运转以及延长设备的寿命具有重要意义。
轴承故障特征提取成为了轴承故障诊断领域中的一个关键问题。
传统的轴承故障诊断方法主要包括时域分析、频域分析和时频域分析等方法。
这些传统方法在处理非线性和非平稳信号时存在一定的局限性。
近年来，一种称为经验模态分解（Empirical Mode Decomposition，简称EMD）的新方法被提出，该方法可以将非线性和非平稳信号进行分解，得到一系列的固有模态函数（Intrinsic Mode Functions，简称IMF）。
IMF具有更好的局部特性，可以更好地描述信号的动态特征。
在本文中，我们将EMD方法与优化的频带熵相结合，用于轴承故障特征提取。
将原始信号进行EMD分解，得到一系列IMF。
然后，利用优化的频带熵对每个IMF进行特征提取。
优化的频带熵是一种改进的频域分析方法，可以准确地提取信号的频率特征。
将提取的特征进行组合，并利用支持向量机（Support Vector Machine，简称SVM）进行分类和识别。
实验结果表明，将EMD方法与优化的频带熵相结合，可以有效地提取轴承故障信号中的特征信息。
与传统的特征提取方法相比，该方法具有更好的准确性和稳定性。
该方法对信号的非线性和非平稳特性具有较强的适应性。
本文提出了一种将EMD方法与优化的频带熵相结合的轴承故障特征提取方法。
该方法能够更好地揭示轴承故障信号中的特征信息，对于轴承故障诊断具有重要的意义。
希望该方法能够为轴承故障诊断提供新的思路和方法。
基于小波去噪和EEMD_HHT边际谱的滚动轴承故障诊断
基于小波去噪和EEMD_HHT边际谱的滚动轴承故障诊断胡谧【摘要】本文将小波及聚合经验模态分解(ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换(HHT)边际谱的故障分析方法相结合,应用于强噪声背景下轴承信号故障特征提取.首先将轴承信号利用小波变换进行降噪处理,然后采用EEMD方法将轴承振动信号分解成若干个固有模态函数(IMFs);然后对各IMF进行Hilbert变换,求出轴承振动信号的HHT边际谱,最后根据边际谱能够区分不同工况下的正常和故障轴承,正确率为100％,并且通过谱图及局部细化图能够分析其频率特征.结果表明,这种方法能够有效提取轴承故障特征信息,提高轴承故障诊断率.【期刊名称】《科技视界》【年(卷),期】2018(000)026【总页数】5页(P8-12)【关键词】小波;EEMD_HHT;边际谱;局部细化;滚动轴承【作者】胡谧【作者单位】三峡大学科技学院,湖北宜昌443002【正文语种】中文【中图分类】TN911.40 引言滚动轴承是机械系统中最广泛的通用部件,一旦发生故障对机械系统的正常运行产生重大影响。
在工程中测取的滚动轴承故障信号一般是非平稳、非线性的,而且受到随机噪声的干扰,使得信号的信噪比很低,难以检测[1]。
1998年，N．E．Huang 等人提出了基于瞬时频率的信号处理方法———经验模态分解方法(EMD)，并在此基础上发明了 Hilbert-Huang变换(HHT)。
HHT方法既汲取了小波变换的分析优势，又避免了小波变换中需要选取小波基的问题，具有良好的局部适应性。
基于EMD的HHT方法在应用中的问题是易于产生模态混叠问题，针对EMD-HHT方法存在模态混叠问题，提出了一种基于聚合经验模态分解(EEMD)和HHT边际谱相结合的信号时频分析方法[2]。
由于噪声的干扰,HHT的核心经验模态分解法具有自适应性,信号中的噪声也参与EMD分解,使原始故障特征信息与噪声混淆而不易提取,从而影响对故障的准确诊断[3]。
基于EEMD和改进的形态滤波方法的轴承故障诊断研究
３ ．Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｕ ｒ ｂ ａ ｎ Ｒ ａ ｉ １ Ｔ ｒ ａ ｎ ｓ ｐ ｏ ｔ ｒ ａ ｔ ｉ ｏ ｎ ， Ｓ ｏ ｏ ｃ ｈ ｏ ｗ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｓ ｕ ｚ ｈ ｏ ｕ ２ １ ５ １ ２ ３ ， Ｃ ｈ ｉ ｎ ａ ）
２ ．Ｄｅ ｐ ａ ｔｍｅ ｒ ｎ ｔ ｏ ｆ Ｓ ｙ ｓ ｔ ｅ ｍｓ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ａ ｎ ｄ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｍａ ｎ ａ ｇ ｅ ｍｅ ｎ ｔ ，Ｃｉ ｔ ｙ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｈｏ ｎ ｇ Ｋｏ ｎ ｇ，Ｃ ｈ ｉ ｎ ａ；
ｃ ａ ｎ ｂ ｅ ｒ ｅ ａ ｌ ｉ ｚ ｅ ｄ ｂ ｙ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｎ ｇ ａ ｎ ｄ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｎ ｇ ｉ ｍｐ ｕ ｌ ｓ ｉ ｖ ｅ ｒ ｅ ｓ ｐ ｏ ｎ ｓ ｅ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ｓ ． Ｈｏ ｗｅ ｖ ｅ ｒ ，ｕ ｎ ｄｅ ｒ ｔ ｈ ｅ ｐ ｒ ａ ｃ ｔ ｉ ｃ ａ ｌ ｅ ｎ ｖ ｉ ｒ ｏ ｎ ｍｅ ｎ ｔ ，
振
动
与
冲
击
第３ ２ 卷第 ２ 期
Ｊ ＯＵＲＮＡＬ ＯＦ ＶＩ ＢＲＡＴ Ｉ ＯＮ ＡＮＤ Ｓ ＨＯＣ Ｋ
基于 Ｅ Ｅ ＭＤ和 改 进 的形 态 滤 波 方 法 的轴 承故 障诊 断研 究
沈长青 ，谢 伟达 ，朱 忠奎 ，刘 方 ，黄伟 国。 ，孔凡让
２ ３ ０ ０ ２ ７ ； ２ １ ５ ０ ２ １ ）
轴 承外 圈 、 内圈局部 故障状态下的特征的检测 ， 结 果表明该方法能有效提取周期性 脉冲成分并抑制噪声 。
关键词 ：轴承 ； 故 障诊 断 ； 整体平均经验模态 分解 ； 滤波 ； 数学形态学
EEMD和优化的频带熵应用于轴承故障特征提取
EEMD和优化的频带熵应用于轴承故障特征提取【摘要】本文介绍了EEMD和优化的频带熵在轴承故障特征提取中的应用。
在背景介绍了轴承故障诊断的重要性，研究意义在于提高轴承寿命和减少维护成本，研究目的是探索新的故障特征提取方法。
接着介绍了EEMD的原理和优化的频带熵计算方法，以及如何应用于轴承故障特征提取。
通过实验设计和结果分析，验证了该方法的有效性，进一步讨论了不同故障类型的特征提取效果。
结论部分总结了本文研究的主要成果，并展望了未来的研究方向。
本文的研究对于改善轴承故障诊断的精确度和效率具有重要意义，为工程领域的实际应用提供了有益参考。
【关键词】EEMD, 频带熵, 轴承故障, 特征提取, 优化, 实验设计, 结果分析, 结果讨论, 总结, 展望1. 引言1.1 背景介绍轴承是机械设备中常见的零部件，其运行状态对机械设备的性能和寿命有着重要影响。
轴承故障是机械设备中常见的故障之一，一旦发生轴承故障往往会导致设备停机维修，严重影响生产效率和安全性。
为了及时找出轴承故障并进行故障诊断，目前广泛应用于轴承故障警报系统的技术包括振动信号分析和谐波分析。
传统的信号处理方法在处理非线性和非平稳信号时面临困难，往往难以准确提取故障特征信号。
引入新的信号处理方法以提高轴承故障特征提取的准确性和效率。
本研究将采用Empirical Mode Decomposition (EEMD)和优化的频带熵方法，结合现代信号处理技术，以期提高轴承故障诊断的准确性和可靠性。
通过综合利用EEMD和频带熵的优势，可以更好地提取轴承故障特征，并为轴承健康状态监测和故障诊断提供更有效的手段。
1.2 研究意义轴承作为旋转机械装置的关键部件，其运行状态直接影响整个机械系统的性能和寿命。
轴承故障的早期诊断和预测对于提高设备可靠性、减少维护成本具有重要意义。
传统的频域分析和时域分析方法在轴承故障特征提取中存在一定局限性，而基于EEMD和优化的频带熵方法可以更好地解决这一问题。
多尺度柔性形态滤波在轴承故障诊断中的应用
ＣＮ４１一 ｌ１ ／ＴＨ ４８
期 二 Ｂｅ承ｎ ０ １ Ｎｏ． 兰 鱼 轴ａｉ ｇ ２ １ 年 ３ ３ ｒ ２０１１．
４１—４ Байду номын сангаас
多尺度柔 性形态滤 波在轴承 故障诊断 中的应 用
杨 杰 ， 海起 ， 晓 平 ， 彦 刚 郑 刘 王
（ 家 庄 军 械 工 程 学 院 ， 家庄 石 石 ００ ０ ） ５ ０ ３
摘要 ： 针对经典的形态学滤波在取单一结构元素 的情况下存在缺 陷的问题 ， 出了一种基 于多尺度柔性 形态滤 提 波 的轴承振动信号滤波方 法。多尺度柔 性数学形 态学在保 留柔 性形态 学好 的鲁棒性 、 除正 负噪声 和保 留细 滤 节等优点的 同时 ， 一步对其结构元素进行改进 ， 进 以期 获得 更好 的脉冲提取性能 。将多尺度 柔性形态 滤波应用 于轴承故障诊断 ， 果表明 ， 比经典 的柔性形态 滤波能更好地 保 留振 动信号 中 的冲击脉 冲 ， 轴承故 障的进 结 其 为
Ａｐｐ ｉ ａ ｉ ｎ ｏ ｕ ｔ — ｃ ｌ ｏ ｔＭ ｏ ｐｈ ｌ ｇ ｃ ｌＦｉｔ ｒ ｉ Ｆａ ｌ ｌｃ ｔｏ ｆ Ｍ ｌｉ— ｓ ａ ｅ Ｓ ｆ ｒ ｏ ｏ ｉ ａ ｌｅ ｎ ｕ ｔ Ｄｉ ｇ ｏ ｉ ｆ Ｂｅ ｒ ｎ ｓ ａ ｎ ｓｓ ｏ ａ ｉ ｇ
ＹＡＮ Ｊｅ ＨＥＮＧ Ｈａ —ｑ ，Ｌ Ｕ Ｘｉｏ—ｐｎ ，Ｗ ＡＮＧ ｎ—ｇ ｎ Ｇ ｉ ，Ｚ ｉ ｉ Ｉ ａ ｉｇ Ｙａ ａｇ （ ｒｎｎｅＥ ｇ ｅｒ ｇＣ ｔ ｇ ，Ｓｉａｈ ａｇ ５ ０３ ｈｎ ） Ｏｄ ａｃ ｎｉ ｅ ｎ ｏｅｅ ｈ ｉｚｕ ｎ ０ ０ ，Ｃ ｉ ｎ ｉ ｌ ｊ ０ ａ
ｔ ｉ ｅ ｏ ｒ ｅ ｒ ｇｖ ｒ ｉ ｉ ａ ｒｐ ｓ ｄｂ ｓ ｄｏ ｕｔ — ｃ ｅｓｆ ｍ ｒｈ ｌ ｃ ｌ ｌ ｒ ＭＳ ） ｔ ｈ ｅ ｎ ｍ ｔ ｄｆ ａ ｎ ｉ ａ ｏ ｓ ｎ ｌ ｉ ｐｏ ｏｅ ａ ｅ ｎｍ ｌ ｓ ａ ｏ ｏ ｏｏ ａ ｆｔ （ ＭＦ ．Ａ ｅ ｒｇ ｈ ｏｂ ｉ ｂ ｔｎ ｇ ｓｓ ｉ ｌ ｔ ｐ ｉ ｉ ｇ ｅ ｔ
基于峭度准则 EEMD 及改进形态滤波方法的轴承故障诊断
基于峭度准则 EEMD 及改进形态滤波方法的轴承故障诊断吴小涛;杨锰;袁晓辉;龚廷恺【期刊名称】《振动与冲击》【年(卷),期】2015(000)002【摘要】针对轴承故障成分常以周期性冲击成分出现在振动信号中，而冲击响应成分常被强大噪声淹没，造成轴承故障特征提取困难等问题，将集成经验模态分解（EEMD）与改进形态滤波方法相结合，在本征模态函数（IMF）及形态学结构元素（SE）选取时均以峭度准则为依据，对筛选出的 IMF 分量进行信号重构后，再进行基于峭度准则的改进形态滤波方法处理。
结果表明，该方法可避免共振解调中中心频率及滤波频带选取，自适应性较好；通过对实际滚动轴承内外圈故障分析，该方法可清晰准确提取到故障特征信息，噪声抑制效果好，可用于轴承故障精确诊断。
【总页数】7页(P38-44)【作者】吴小涛;杨锰;袁晓辉;龚廷恺【作者单位】华中科技大学水电与数字化工程学院，武汉 430074; 武汉科技大学城市学院，武汉 430083;华中科技大学水电与数字化工程学院，武汉 430074;华中科技大学水电与数字化工程学院，武汉 430074;华中科技大学水电与数字化工程学院，武汉 430074【正文语种】中文【中图分类】TH17;TH133.3;T165.3【相关文献】1.基于EEMD和改进的形态滤波方法的轴承故障诊断研究 [J], 沈长青;谢伟达;朱忠奎;刘方;黄伟国;孔凡让2.基于改进EEMD和谱峭度的滚动轴承故障诊断 [J], 马增强;张俊甲;王梦奇;阮婉莹3.基于相关峭度准则EEMD及改进形态滤波的轴承故障诊断方法 [J], 李翠省;刘永强;廖英英4.基于 AEEMD 和峭度－相关系数联合准则的轴承故障诊断 [J], 林旭泽;王新军;蔡艳平;禹志航5.基于EEMD峭度-相关系数准则的多特征量风电机组轴承故障诊断 [J], 彭进;王维庆;王海云;唐新安因版权原因，仅展示原文概要，查看原文内容请购买。
EEMD和优化的频带熵应用于轴承故障特征提取
EEMD和优化的频带熵应用于轴承故障特征提取随着工业发展和机械制造业的进步，轴承作为机械传动装置的核心组件，在机械设备中扮演着重要角色。
轴承寿命直接关系到机械设备的运转稳定性和工作寿命。
轴承在不断地高速旋转中，受到外部载荷和温度等因素的影响而导致轴承的故障，严重影响了机械设备的正常运行。
因此，轴承故障的特征提取和预测具有重要意义。
频域特征是轴承故障诊断中常用的特征提取方法。
一直以来，离散小波变换（DWT）被广泛应用于轴承信号的特征提取。
然而，DWT对噪声和高频信号的分辨率不够高，同时分解信号在不同频带上能量分布不均匀，影响了轴承信号的识别准确度。
为了提高轴承信号特征提取的准确度，基于轴承信号本身的特点，本文采用了经验模态分解（EEMD）和优化的频带熵（OBE）相结合的方法进行轴承故障特征提取。
EEMD 是一种数据自适应、局部特征量化的信号分解方法，它具有比DWT更高的频域分辨率和更强的抑制高频噪声的能力。
EEMD将原始信号分解成多条固有模态函数（IMF），并在每个 IMF 上进行 Hilbert 变换得到多个带通滤波器，再计算每个滤波器的虚部能量，从而得到对应的频域特征量。
OBE 是一种优化方法，用于确定数据序列在不同频段的统计熵移位参数优化值。
通过将 OBE 应用到 EEMD 得到的频域信号中，可以获得每个频段的熵权值，用于指导特征提取。
本文针对三种常见的轴承故障类型（内环故障、外环故障和滚动体故障），分析了信号的频域特征，并通过EEMD和OBE相结合的方法实现了轴承故障的特征提取。
实验结果表明，该方法能够明显地提高故障识别的准确度，并且具有较好的抗噪能力。
总之，EEMD和OBE相结合的方法在轴承故障诊断中具有良好的应用前景。
本文的研究结果对于机械故障诊断领域的发展具有一定的参考价值。
基于EEMD和共振解调的滚动轴承自适应故障诊断
ｄ ｅ ｐ ｅ ｎ ｄ ｉ ｎ ｇ ｏ ｎ ｅ ｘ ｐ ｅ ｒ ｉ ｅ ｎ ｃ ｅ ｓ ｏ ｆ ｉ ｎ ｄ ｉ ｖ ｉ ｄ ｕ ａ ｌ ｓ ，ａ ｍｅ ｔ ｈ ｏ ｄ ｏｒ ｆ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ｏ ｆ ｒ ｏ ｌ ｌ ｉ ｎ ｇ ｂ ｅ ａ ｉ ｔ ｎ ｇ ｓ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｃ ｏ ｍｂ ｉ ｎ ｉ ｎ ｇ ＥＥ ＭＤ
Ａｄａ ｐｔ ｉ ｖ ｅ ｆ ａ ｕｌ ｔ ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ｏ ｆ ｒ ｏ ｌ ｌ ｉ ｎ ｇ ｂｅ ａ ｒ ｉ ｎ ｇ ｓ ｂ ａ ｓ ｅ ｄ ｏ ｎ ＥＥＭ Ｄ ａ ｎ ｄ ｄ ｅ ｍｏ ｄ ｕｌ ａ ｔ ｅ ｄ ｒ ｅ ｓ ｏ ｎａ ｎ ｃ ｅ
Ｚ ＨＯ Ｕ Ｚ ｈ ｉ ， Ｚ ＨＵ 凡 ｇ — ｓ ｈ ｅ ｎ ｇ， Ｚ Ｈ Ａ ＮＧ Ｙ ｏ ｕ — ｙ ｕ ｎ ， Ｚ ＨＵ Ｃ ｈ ｕ ａ ｎ － ｆ ｅ ｎ ｇ，Ｗ Ａ ＮＧ
（ Ｔ ｈ ｅ ｏ ｒ ｙ ｏ ｆ Ｌ ｕ ｂ ｉ ｒ ｃ ａ ｔ ｉ ｏ ｎ＆ Ｂ ｅ ａ ｒ ｉ ｎ ｇ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ， Ｘ ｉ ’ ａ ｎ Ｊ ｉ ａ ｏ ｔ ｏ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｘ ｉ ’ ａ ｎ ７ １ ０ ０ ４ ９ ，Ｃ ｈ ｉ ｎ ａ ） 一
Ａｂｓ ｔ ｒ ａ ｃ ｔ： Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ａ ｆ ｆ ｅ ｃ ｔ ｉ ｎ ｇ ａ ｐｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎａ ｌ ｄｅ ｍｏ ｄ ｕ ｌ ａ ｔ ｅ ｄ ｒ ｅ ｓ ｏ ｎ ａ ｎｃ ｅ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ，ｓ ｕ ｃ ｈ ａ ｓ ，ｔ ｈ ｅ ｌ ｏ ｗｅ ｒ ｓ ｉ ｇ ｎａ ｌ ｔ ｏ ｎ ｏ ｉ ｓ ｅ ｒ ａ ｔ ｉ ｏ ｆ ｏ ｒ ｏ ｒ ｉ ｇ ｉ ｎ ａ ｌ ｓ ｉ ｇ ｎ ａ ｌ ｏ ｆ ｒ ｏ ｌ ｌ ｉ ｎ ｇ ｂ ｅ ａ ｉｎ ｒ ｇ ｓ ａ ｎ ｄ ｔ ｈ ｅ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ａ ｂ ａ ｎ ｄ － ｐ ａ ｓ ｓ ｉｌ ｆ ｔ ｅ ｒ
基于EEMD和变尺度随机共振的轴承故障诊断
Ｂｅ ａ ｒ ｉ ｎ ｇ Ｆ ａ ｕ ｌ ｔ Ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ Ｂａ ｓ ｅ ｄ ｏ ｎ ＥＥＭ Ｄ ａ ｎ ｄ Ｓ ＴＳ Ｒ
Ｃ ＵＩ Ｙｉ ｎ ｇ ， Ｚ ＨＡＯ Ｊ ｕ ｎ ， Ｌ ＡＩ Ｘｉ ｎ — ｈ ｕ ａ ｎ
ｆ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｍｅ ｔ ｒ ｏ ｌ ｏ ｇ ｙｇ ， Ｃ ｈ ｉ ｎ ａ Ｊ ｉ ｌ ｉ ａ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｈａ ｎ ｇ ｚ ｈ ｏ ｕ ３ １ ０ ０ １ ８ ， Ｃ ｈ ｉ ｎ ａ ）
后将不同频带的 Ｉ Ｍ Ｆ作为双稳 系统的输入 ， 通过 变步长数值算法和调节非线性双稳 系统的结构参数来 提 取微 弱 低频 故 障特征 信 号 ； 最后 运 用切 片双谱 对双稳 系统 的输 出进行后 处理 。仿 真 分析验 证 了 Ｓ Ｔ Ｓ Ｒ 的特性 ， 通过对强噪声背景下的滚动轴承 实测信号分析表 明， 该方法充分利用高斯 白噪声， 能有效提取
滚动 轴承 微 弱故 障特征 。 关键词 ： Ｅ Ｅ ＭＤ； Ｓ Ｔ Ｓ Ｒ； 滚 动轴 承故 障 ； 切 片双谱
中 图分类 号 ： ０ ３ ２ ２； Ｔ Ｂ １ ２ ３
文献标 识码 ： Ａ
文章编 号 ： １ ０ ０ ０— ８ ８ ２ ９ （ ２ ０ １ ３ ） ０ ７— ０ ０ １ ５～ ０ ４
EEMD和优化的频带熵应用于轴承故障特征提取
EEMD和优化的频带熵应用于轴承故障特征提取李华刘韬伍星陈庆关键词：故障诊断;滚动轴承;集合经验模态分解;频带熵;包络峭度引言滚动轴承是旋转机械的重要组成部分，对滚动轴承的状态监测与故障诊断一直是机械设备故障诊断的热点和难点。
当滚动轴承发生故障时，其振动信号包含了大量的运行状态信息，表现为非平稳性和多分量性的调制信号，特别在故障早期，由于调制源弱，早期故障信号微弱，并且受周围设备、环境的噪声干扰，导致故障特征频率难以提取、识别。
故障诊断的关键是从原始信号中提取故障特征信号（故障特征频率）。
Huang等提出了经验模态分解（EMD），此方法具有自适应分解特性，对非平稳和非线性信号的处理具有较高的效率。
因此，基于EMD的故障诊断方法层出不穷，高强等将EMD应用于轴承故障诊断。
但EMD存在模态混叠等不足。
为了抑制模态混叠问题，wu和Huang提出了集合经验模态分解（EEMD），有效地抑制了EMD的模态混叠现象。
针对EEMD的降噪效果，学者做了相关研究。
Li等提出了基于EEMD和HHT相结合的滚动轴承故障诊断方法。
周智等口。
提出了EEMD自适应消噪和谱峭度相结合的方法。
郑直等提出了一种基于EEMD、形态谱特征提取和核模糊c均值聚类（KFcMc）集成的故障诊断方法。
针对EEMD的敏感IMF分量的选取，学者同样进行了相关研究。
胡爱军等将EE-MD与峭度准则结合，利用峭度最大准则选取EEMD的IMF分量。
蒋超等提出了基于快速谱峭度图的EEMD的IMF分量选取方法。
Li等提出了利用自适应共振（AR）选取敏感IMF分量的方法。
还有许多EEMD应用的文献，这里不再赘述。
当滚动轴承发生故障时，由于振动信号表现出的幅值调制特性，通过包络分析可以得到轴承的故障特征频率。
本文将基于EEMD和优化的频带熵的自适应滤波技术相结合的方法，应用于滚动轴承的故障特征提取，并提出了基于频带熵的IMF选取方法。
首先，对原信号进行EEMD分解，获取一系列IMF分量;然后，对原信号和各个IMF分量求频带熵，在熵值最小处设计带通滤波器，其带宽作为特征频带，比较各个IMF的特征频带与原信号熵最小值所处频带之问的从属关系，进而选出反映故障特征的敏感IMF;接着，对选取的IMF分量进行基于FBE的带通滤波（其带宽参数依据包络峭度最大值原则进行优化）;最后，对滤波信号进行包络功率谱分析，提取出轴承故障特征频率。
基于形态滤波和EMD-AR谱的轴承故障特征提取
ｕ Ｕ Ｊ ／ 一 ｃ ｈ ｅ ｎ ｇ ＮＩ Ｅ Ｐｉ ｎ — ｌ ｅ ｉ Ｔ ＯＮＧ Ｙ ｕ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ ａ ｌ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｎｏ ｒ ｔ ｈ ｅ ａ ｓ ｔ Ｐ ｅ ｔ ｒ ｏ ｌ ｅ ｕ ｍ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｄ ａ ｑ ｉ ｎ ｇ １ ６ ３ ３ １ ８ ，Ｌ ｉ ａ ｏ ｎ ｉ ｎ ｇ Ｃ ｈ ｉ ｎ ａ ）
旋 转 机械 是 电力 、 化工 、 冶 金和机 械 制造 等 重要
ａ ｖ ｏ ｉ ｄ ｅ ｄ ， ｎｄ ａ ｈｅ ｔ ｆ ａ ｕ ｌ ｔ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｉ ｔ ｃ ｆ ｒ ｅ ｑ ｕ ｅ ｎ ｃ ｙ ｏ ｆ ｒ ｏ ｌ ｌ ｉ ｎ ｇ ｂ ｅ ａ ｒ ｉ ｎ ｇ ｓ Ｃ ｎ ａ ｂ ｅ ｅ ｘ ｒ ｔ ａ ｃ ｔ ｅ ｄ ． ｈ ｉ Ｔ ｓ ｗｏ ｒ ｋ ｍａ ｙ ｐ ｒ ｏ ｉｄ ｖ ｅ ａ ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｆ ｏ ｒ
第３ ５ 卷 第３ 期 ２ ０ １ ５ 年６ 月
噪
ＮＯ Ｉ ＳＥ
Hale Waihona Puke 声 与ＡＮ Ｄ 振
动
控
制
基于EEMD的共振解调技术在列车轴承故障诊断中的应用
基于EEMD的共振解调技术在列车轴承故障诊断中的应用王旭;彭畅;张振先【摘要】针对轮对轴承故障信息不易提取的特性,提出了基于EEMD的共振解调方法.首先,采用EEMD方法将原始信号分解为17个IMF分量,计算每个分量的峭度值,选取峭度值大于3的IMF分量相加,合成新的信号;然后,对新的合成信号进行谱峭度分析,得到冲击成分所在的频带,并据此设计带通滤波器对合成信号进行滤波处理;最后,对滤波后的信号进行Hilbert变换和频谱分析,提取冲击成分的频率,并与理论故障频率对比,进行故障诊断.分别对外圈故障、滚动体故障、保持架故障的轴承进行振动试验,并利用此方法对试验结果进行分析,结果表明,该方法能够有效地识别列车轮对轴承的故障信息.%For the characteristics of the wheel set bearing fault information is hard to extract,a resonance demodulation method based on ensemble empirical mode decomposition(EEMD)is proposed. The original signal is decomposed into 17 IMF components by EEMD method,and the kurtosis value of each component is calculated. The IMF components whose kurtosis value is greater than 3 are added to composite a new signal. Then the new composite signal is analyzed with spectral kurtosis,and the frequency band where the impacting component is located is obtained. Based on this,a band-pass filter is designed to conduct with filtering processing to the composite signal. Finally the frequency of the impact composition is extracted by Hilbert transfor-mation and spectrum analysis to the filtered signal,and compared with the theoretical fault frequency,then the bearing is pro-ceeded with fault diagnosis. The vibration tests for the bearings of the outer ring fault,rollingbody fault,and cage fault were carried on respectively,and the test results are analyzed by using this method. The results show that the method can identify the fault information of the trains′ wheel set bearing effectively.【期刊名称】《现代电子技术》【年(卷),期】2015(038)021【总页数】4页(P24-27)【关键词】EEMD;峭度;共振解调;故障诊断【作者】王旭;彭畅;张振先【作者单位】南车青岛四方机车车辆股份有限公司技术中心,山东青岛 266111;南车青岛四方机车车辆股份有限公司技术中心,山东青岛 266111;南车青岛四方机车车辆股份有限公司技术中心,山东青岛 266111【正文语种】中文【中图分类】TN911.7-340 引言安全性是列车运行的首要条件，随着速度的不断提升，任何一处微小的故障都有可能引起连锁反应，导致整个列车遭受灾难性的毁坏[1]。
BFOA-EEMD在轴承故障诊断中的应用
SHIShaoda,SONG Yuqin,LIU Xichuan.ApplicationofBFOA-EEMDinbearingfaultdiagnosis[J].Journalof Xi'anPolytechnicUniversity,2019,33(3):290-295.
第3期
师少达,等:BFOA-EEMD 在轴承故障诊断中的应用
291
gorithmisusedtoidentifythefaulttypeofthebearing.Theexperimentalcomparisonresultsshowthat
theBFOA-EEMD methodcanrealizetheearlyfaultdiagnosisofbearingsmoreeffectivelythanthebasic
BFOA-EEMD 在轴承故障诊断中的应用
师少达,宋玉琴,刘西川
(西安工程大学 电子信息学院,陕西 西安 710048)
摘要:针对旋转机械 轴 承 故 障 特 征 信 息 在 复 杂 环 境 影 响 下 难 以 精 确 提 取 的 问 题,给 出 一 种 基 于
BFOA 优化 EEMD 参数的研究方法,并将其应用 到 轴 承 故 障 诊 断 中。首 先,基 于 细 菌 觅 食 优 化 算
SHIShaoda,SONGYuqin,LIU Xichuan
(SchoolofElectronicsandInformation,Xi'anPolytechnicUniversity,Xi'an710048,China)
基于时变滤波经验模态分解的轴承故障诊断
基于时变滤波经验模态分解的轴承故障诊断
佚名
【期刊名称】《制造技术与机床》
【年(卷),期】2018(000)012
【摘要】针对经验模态分解(empirical mode decomposition,EMD)由于模态混叠现象难以有效提取轴承故障特征的问题,提出了一种基于时变滤波经验模态分解(time varying filtering based empirical mode decomposition,TVF-EMD)的轴承故障诊断方法.首先利用TVF-EMD方法对轴承故障信号进行自适应分解,得到一组内禀模态函数(intrinsic mode functions,IMFs),然后根据峭度最大准则选取包含主要故障特征信息的IMF分量,最后对选取的敏感分量进行进一步的包络解调分析,提取出故障特征信息,从而进行故障诊断.轴承故障诊断实例证实了所提方法能准确提取轴承故障的特征信息,实现轴承故障的有效诊断;通过与总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法的对比研究,表明了所提方法的优越性.
【总页数】5页(P42-46)
【正文语种】中文
【中图分类】TH133.3
【相关文献】
1.基于时频滤波的时变模态分解方法 [J], 续秀忠;张志谊
2.基于参数优化时变滤波经验模态分解的转子故障诊断 [J], 唐贵基;周翀;庞彬;李楠楠
3.时变滤波经验模态分解与对称差分解析能量算子在轴承故障诊断中的应用 [J], 武昆;徐元博;杨娜
4.基于粒子群优化时变滤波经验模态分解的轴承故障诊断 [J], 岑立;钟先友
5.经验模态分解滤波法用于时变重力场去噪研究 [J], 艾尚校;肖云
因版权原因，仅展示原文概要，查看原文内容请购买。
改进的EEMD方法及其在滚动轴承故障诊断中的应用
改进的EEMD方法及其在滚动轴承故障诊断中的应用程军圣;王健;桂林【期刊名称】《振动与冲击》【年(卷),期】2018(037)016【摘要】针对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法只考虑了噪声的幅值对分解结果的影响,而且添加的白噪声不能完全中和的问题,通过分析噪声的最大频率对分解结果的影响,提出一种改进的EEMD方法.将总体平均次数固定为2,然后对信号添加最大频率和幅值不同的噪声进行分解,遍历之后由分解结果的正交性系数判断分解效果,将正交性系数最小的作为最终分解结果,同时结合补充的EEMD(Complementary EEMD,CEEMD)方法降低残余噪声对分解结果的影响.通过仿真信号和实测信号分析,结果表明改进方法在抑制模态混淆和故障诊断方面较原始方法有一定优势.【总页数】6页(P51-56)【作者】程军圣;王健;桂林【作者单位】湖南大学汽车车身先进设计制造国家重点实验室,长沙410082;湖南大学汽车车身先进设计制造国家重点实验室,长沙410082;武汉重型机床集团有限公司,武汉430205【正文语种】中文【中图分类】TN911.7;TH165+.3【相关文献】1.一种改进的EEMD算法及其在滚动轴承故障诊断中的应用 [J], 李亚超;刘政;马增强2.一种改进的EEMD算法及其在滚动轴承故障诊断中的应用 [J], 李亚超;刘政;马增强;3.基于改进的形态学滤波和EEMD方法的滚动轴承故障诊断 [J], 宗永涛;沈艳霞;纪志成4.EEMD-SVD方法及其在高速列车滚动轴承故障诊断中的应用 [J], 谭翠;张兵;黄晨光5.基于改进MEEMD与DE-OSELM的滚动轴承故障诊断方法 [J], 蒋永华;黄涛涛;李刚;焦卫东;徐翠;夏海成;王晨因版权原因，仅展示原文概要，查看原文内容请购买。
EEMD和优化的频带熵应用于轴承故障特征提取
EEMD和优化的频带熵应用于轴承故障特征提取
EEMD（Ensemble Empirical Mode Decomposition）是一种信号处理方法，可以将非线性和非平稳信号分解成多个固有模式函数（Intrinsic Mode Function，IMF）。
IMF是具有不同频率和振幅的信号成分，可以更好地描述原始信号的特征。
在轴承故障特征提取中，EEMD可以用来分解轴承振动信号，提取出不同频率的振动成分。
将原始振动信号进行EEMD分解，得到一系列IMF分量。
然后，对每个IMF分量进行优化的频带熵计算，得到该分量在不同频带上的复杂度和信息量。
优化的频带熵是一种改进的频带熵计算方法，可以更好地反映信号的特征。
传统的频带熵只考虑信号在某个频带上的能量分布，而优化的频带熵还考虑了信号的平均值和波形变化。
通过使用优化的频带熵，可以更准确地提取轴承故障信号的特征。
轴承故障特征包括自振频率、共振峰、谐波分量等。
通过EEMD和优化的频带熵，可以提取出每个IMF分量的频率、振幅和相位信息，从而得到轴承振动信号的特征。
这些特征可以用于故障诊断和健康状态监测，提前发现轴承的故障并进行预防维护。
EEMD和优化的频带熵是一种有效的方法，可以应用于轴承故障特征提取。
通过对轴承振动信号进行分解和特征提取，可以实现轴承故障的及时诊断和保养，提高轴承的可靠性和使用寿命。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ ， Ｈ ｕ ａ ｚ ｈ ｏ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｗｕ ｈ ａ ｎ ４ ３ ０ ０ ７ ４， Ｃ ｈ ｉ ｎ ａ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔ ｈ ｅ ｋ ｅ ｙ ｏ ｆ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ｆ ｏ ｒ ｂ ｅ ａ ｉｎ ｒ ｇ ｓ ｉ ｓ ｔ ｈ ｅ ｐ ｒ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ｏ ｆ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｎａ ｇ ｌ ｎｄ ａ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｎ ｇ ｏ ｆ ｆ ａ ｕ ｌ ｔ ｃ ｈ ａ ｒ ａ ｃ －
ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｏ ｆ ｆ ａ ｕ ｌ ｔ ｓ ｉ ｇ ｎ ｌｓ ａ ｉ ｎ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｎ ｇ ｍａ ｃ ｈ ｉ ｎ ｅ ， ｗ ｈ ｉ ｃ ｈ ｉ ｓ ｃ ｏ ｎ ｖ ｅ ｎ ｉ ｅ ｎ ｔ ｔ ｏ ｂ ｅ ｕ ｓ ｅ ｄ ｉ ｎ ｅ ｎ ｉ ｇ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
！ 墨 墨
二 ！ 鱼 轴承
２ ０ １ ５ 年１ Ｏ 期
ＣＮ４１ 一 ｌ １ ４８ ／ＴＨ Ｂｅ ａ ｒ ｉ ｎ ｇ ２ ０１ ５， Ｎｏ． １ ０
Hale Waihona Puke ． 一 测 量 与仪 器
形态滤波 与 Ｅ Ｅ Ｍ Ｄ在振动筛轴承故障诊断中的应用
徐 元博 ， 魏振 东
（ １ ． 西京学院 机 电技术 系， 西安 ７ １ ０ １ ２ ３ ； ２ ． 华中科技大学 机械科学与工程学院 ， 武汉 ４ ３ ０ ０ ７ ４ ）
摘要 ： 轴承故 障诊断 的关键在 于振 动信 号的前处理与故 障特征参 数 的提 取。形态滤 波法可 以利用 特有 的数学 属性对故障信号进行有效 的降噪处理 ， 并突 出故障信号 的特征参数 ； 同时利用集合平均经验 分解对轴 承的特有 故障特征进行提取。将该振动信号提取方法应用 到振 动筛 等振 动机械的轴承故障特征提取 中， 通 过试验表 明 ， 该 方法可以有效提取振动机械 中故 障信号 的频谱 特征 ， 便于工程应用 。 关键 词 ： 滚动轴承 ； 振动筛 ； 故 障诊 断 ； 形态滤波法 ； 集 合平均经验分解
ｉ ｎ ｇ ｔ ｏ ｓ ｐｅ ｃ ｉ ｉｃ ｆ ｍａ ｔ ｈｅ ｍａ ｔ ｉ ｃ ａ ｌ ｐ ｒ ｏ ｐｅ ｒ ｔ ｉ ｅ ｓ，ａ ｎ ｄ ｔ ｈｅ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉｓ ｒ ｔ ｉ ｃ ｐａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ａ ｒ ｅ ｈｉ ｇ ｈ ｌ ｉ ｇ ｈ ｔ ｅ ｄ ｆ ｏ ｒ ｆ ａ ｕ ｌ ｔ ｓ ｉ ｇ ｎａ ｌｓ ． Ｔｈ ｅ ｓ ｐｅ ｃ ｉ ｉｃ ｆ
中图分类号 ： Ｔ Ｈ１ ３ ３ ． ３ ３ ； Ｔ Ｎ ９ １ １ ． ７ 文 献标 志码 ： Ｂ 文章编号 ： １ ０ ０ ０— ３ ７ ６ ２ （ ２ ０ １ ５ ） １ ０—０ ０ ４ １ — ０ ４
Ａｐｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｍｏ ｒ ｐ ｈｏ ｌ ｏ ｇ ｙ Ｆｉ ｌ ｔ ｅ ｒ ａ ｎ ｄ ＥＥＭ Ｄ ｉ ｎ Ｆａ ｕ ｌ ｔ Ｄｉ ａ ｇ ｎｏ ｓ ｉ ｓ ｆ ｏ ｒ
ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｅ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｓ ．Ｔ ｒ ｈ ｅ ｍｏ ｒ ｐ ｈ ｏ ｌ ｏ ｇ ｙ ｉ ｆ ｌ ｔ ｅ ｉｎ ｒ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ ｅ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｕ ｓ ｅ ｄ ｆ ｏ ｒ ｄ ｅ ｎ ｏ ｉ ｓ ｉ ｎ ｇ ｔ ｒ ｅ ａ ｔ ｍｅ ｎ ｔ ｏ ｆ ｆ ａ ｕ ｌ ｔ ｓ ｉ ｇ ｎ ｌｓ ａ ａ ｃ ｃ ｏ ｒ ｄ —
Ｖｉ ｂｒ ａ ｔ ｉ ｎ ｇ Ｓｃ ｒ ｅ ｅ ｎ Ｂｅ ａ ｒ ｉ ｎ ｇ ｓ
Ｘｕ Ｙ ｕ ａ ｎ ｂ ｏ ， Ｗｅ ｉ Ｚ ｈ ｅ ｎ ｄ ｏ ｎ ｇ
（ １ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ ａ ｎ ｄ Ｅ ｌ ｅ ｃ ｔ ｉ ｒ ｃ ａ ｌ ， Ｘ ｉ ｊ ｉ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｘ ｉ ｈ ｎ ７ １ ０ １ ２ ３ ， Ｃ ｈ ｉ ｎ ａ ； ２ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆
ｆ ａ ｕ ｌ ｔ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉ ｒ ｓ ｔ ｉ ｃ ｓ ｏ ｆ ｂ ｅ ａ ｒ ｉ ｎ ｇ ｓ ａ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｅ ｄ ｂ ｙ ｕ ｓ ｉ ｎ ｇ ｅ ｎ ｓ ｅ ｍｂ ｌ ｅ ａ ｖ ｅ ｒ ａ ｇ ｅ ｅ ｍｐ ｉ ｒ ｉ ｃ ｌ ａ ｍｏ ｄ ｅ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ．Ｔ ｈ ｅ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｉ ｓ ａ ｐ ｐ ｌ ｉ ｅ ｄ ｔ ｏ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｎ ｇ ｆ ａ ｕ ｌ ｔ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓ ｏ ｆ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｎ ｇ ｓ ｃ ｒ ｅ ｅ ｎ ｂ ｅ ａ ｒ ｉ ｎ ｇ ｓ ．Ｔ ｈ ｅ ｅ ｘ ｐ ｅ ｉｍｅ ｒ ｎ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｌｇ ａ ｏ ｉｔ ｒ ｈ ｍ ｃ ａ ｎ ｅ ｌ －