基于EMD细化包络谱分析在轴承故障诊断中的应用.doc

,潘宏侠,孙黎明(中北大学,太原030051)摘要:将经验模式分解(position,EMD)、Hilbert变换和细化(ZOOM)技术结合在一起。通过EMD分解的自适应滤波算法,避免了依靠经验来设置带通滤波器的中心频率和带宽,或者用小波方法对信号进行分解时,需要预先确定基函数和分解尺度的缺点,从而为计算包络谱的细化提供了一种简易算法。结果表明,基于经验模式分解自适应滤波的滚动轴承振动信号解调方法能够有效地突出故障特征频率成分,避免误诊断。关键词:故障诊断;滚动轴承;经验模式分解;包络谱中图分类号:TH133,33;TP277文献标志码:A文章编号:1003-0794(2010)02-0206-04ZoomingEnvelopeSpectrumAnalysisBasedonEMDinRollingBearingFaultDiagnosisGUONan,PANHong-xia,SUNLi-ming(NorthUniversityofChina,Taiyuan,030051,China)positionwithHilberttransformandZoom--passfilterrelyingonexperience,ingsofpre-:faultdiagnosis;rollingbearing;position;envelopespectrum0引言本文利用经验模式分解通过对轴承振动信号进行自适应滤波,分离出高频调制信号,应用希尔伯特变换构造解析信号,得到原始振动信号的包络信号,同时由于调制信号中心频率较高,而调制频率较低,所以通过细化包络谱分析更好地提取故障特征频率,诊断出故障类型。判断x1(t)是否符合IMF成立的条件,若不符合,则将1经验模式分解经验模式分解(EMD)相当于将信号通过一组x1(t)看作新的y(t),重复上述处理过程,直到x1(t)满足IMF条件时,记c1(t)=x1(t),视为原始信号的第1个IMF分量;(3)用原始信号减去第1个IMF分量,并将其看作新的y(t),重复(1)、(2)步骤,即可依次得到各阶IMF分量,直到满足设定的终止条件时分解结束,原始信号y(t)即可表示为若干个IMF分量及其残余分量q(t)之和的形式:y(t)=Σci(t)+q(t)i=1m带通滤波器对信号进行“筛选”,从而将信号分解为具有不同频率的固有模式函数(IMF),每一个IMF必须满足2个条件:(1)其极值数与过