基于循環平穩周期延拓EMD的滾動軸承故障診斷研究

劉佳杭 王偉韜 劉振濤 何振鵬

摘 要：經驗模態分解可根據信號本身變化進行信號分解，具有較好的自適應和時頻分辨能力，應用較為廣泛[1-3]，但存在端點效應和模態混疊問題。此外，旋轉器械（軸承，轉子系統等）具有對稱結構，其正常和故障信號都具有循環平穩性，本文提出基于循環平穩周期延拓的EMD改進方法，并進行滾動軸承故障診斷，取得了較好的效果。

關鍵詞：經驗模態分解;改進方法;滾動軸承;故障診斷

1 基本理論

經驗模態分解（Empirical Mode Decomposition，EMD）是黃鍔[4]提出的一種處理非平穩信號的新方法，該方法可將信號分解成一系列信號，外加一個殘余分量，這些信號分量叫做本征模態函數（Intrinsic Mode Function，IMF）。

4 實例分析

美國凱斯西儲大學軸承中心實驗臺如圖4所示，本章節選用SKF6205驅動端軸承滾動體損傷振動數據，滾動體損傷直徑l為0.1778mm，裝置轉速為1797r/min，采樣頻率為12Khz，載荷為0HP，軸承外圈直徑為51.9989mm，內圈直徑為25.0012mm，節徑為39.0398mm，滾珠直徑為7.9400mm，滾珠個數為9，接觸角度為0。

時域信號及頻譜如圖5和6所示。故障頻率蘊含在第五階IMF分量中，理論值為141.09Hz，改進前后IMF5頻譜如圖7所示，改進后故障頻率較改進前（153.84Hz）更接近理論計算值。

5 結論

本文提出了循環平穩周期延拓的EMD改進方法，利用仿真信號和軸承故障信號驗證方法的有效性，改進方法所得故障頻率較傳統EMD方法更接近理論計算值，為旋轉機械故障診斷提供了一種理論參考。

參考文獻：

[1]Smith，Jonathan S.The local mean decomposition and its application to EEG perception data[J].Journal of The Royal Society Interface，2005，2（5）：443-454.

[2]Lei Y，Lin J，He Z，et al.A review on empirical mode decomposition in fault diagnosis of rotating machinery[J].MECHANICAL SYSTEMS AND SIGNAL PROCESSING，2013，35（1-2）：108-126.

[3]Cheng J，Yu D，Tang J，et al.Local rub-impact fault diagnosis of the rotor systems based on EMD[J].Mechanism and Machine Theory，2009，44（4）：784-791.

[4]Huang N E，Shen Z，Long S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings A，1998，454（1971）：903-995.