滚动轴承振动信号处理及特征提取方法研究共3篇

《风机轴承故障诊断中的振动信号特征提取方法研究》篇一一、引言随着工业自动化水平的不断提升，风力发电机组在能源产业中占据着日益重要的地位。

而轴承作为风机系统的关键部件之一，其运行状态直接关系到整个风电机组的性能和寿命。

因此，对风机轴承故障的准确诊断和及时维护显得尤为重要。

在众多诊断方法中，基于振动信号的特征提取技术因其非接触、实时性强的特点，成为当前研究的热点。

本文旨在研究风机轴承故障诊断中的振动信号特征提取方法，为风电机组的维护和故障诊断提供理论依据和技术支持。

二、振动信号特征提取的重要性振动信号是反映风机轴承运行状态的重要依据。

通过对振动信号进行特征提取，可以有效地识别轴承的故障类型和严重程度，为故障诊断提供有力支持。

因此，振动信号特征提取的准确性和有效性直接关系到故障诊断的可靠性。

三、常用的振动信号特征提取方法目前，针对风机轴承故障诊断的振动信号特征提取方法主要包括时域分析、频域分析和时频域联合分析。

1. 时域分析：通过计算振动信号的时域统计参数，如均值、方差、峰值等，来反映轴承的运行状态。

这种方法简单易行，但往往无法准确反映轴承故障的细节信息。

2. 频域分析：通过对振动信号进行频谱分析，可以获取轴承各部件的频率成分，从而判断轴承的故障类型和位置。

常用的频域分析方法包括快速傅里叶变换等。

3. 时频域联合分析：考虑到轴承故障的时变特性，时频域联合分析方法能够同时反映振动信号的时间和频率信息。

常见的方法有短时傅里叶变换、小波分析等。

四、本研究中的振动信号特征提取方法针对现有方法的不足，本文提出一种基于深度学习的振动信号特征提取方法。

该方法利用深度神经网络自动提取振动信号中的有效特征，避免了传统方法中的人为干预和经验依赖。

具体步骤如下：1. 数据采集与预处理：首先，通过安装在风机轴承上的传感器采集振动信号数据。

然后，对数据进行预处理，包括去噪、归一化等操作，以提高特征提取的准确性。

2. 深度神经网络模型构建：构建深度神经网络模型，包括多层卷积层、池化层和全连接层等。

《风机轴承故障诊断中的振动信号特征提取方法研究》篇一摘要本文深入研究了风机轴承故障诊断中的振动信号特征提取方法。

通过对比多种信号处理方法，分析了各自在特征提取上的优势与不足，并提出了一种改进的信号处理策略。

本文首先阐述了风机轴承故障与振动信号之间的内在联系，随后详细描述了振动信号的采集和处理过程，接着深入分析了不同故障模式下的振动信号特征，最后提出了一个综合的故障诊断框架和实际应用案例。

一、引言随着工业自动化程度的不断提高，风机作为工业生产中的重要设备，其运行状态直接关系到生产效率和设备安全。

轴承作为风机的核心部件，其故障诊断显得尤为重要。

振动信号作为反映风机轴承状态的重要依据，其特征提取方法的研究对于提高故障诊断的准确性和效率具有重要意义。

二、风机轴承故障与振动信号的内在联系风机轴承的故障通常表现为不同程度的磨损、腐蚀、断裂等，这些故障会直接反映在振动信号上。

因此，通过对振动信号的分析和处理，可以有效地诊断出轴承的故障类型和程度。

三、振动信号的采集和处理过程1. 信号采集：使用高精度的传感器对风机轴承的振动信号进行实时采集，确保信号的准确性和完整性。

2. 预处理：对采集到的原始信号进行去噪、滤波等预处理操作，以消除干扰信号对分析结果的影响。

3. 特征提取：通过时域分析、频域分析、时频域分析等方法，从预处理后的信号中提取出反映轴承状态的特征信息。

四、振动信号特征提取方法分析1. 时域分析：通过计算振动信号的统计参数，如均值、方差、峰值等，来反映轴承的运行状态。

时域分析方法简单直观，但难以全面反映轴承的故障特征。

2. 频域分析：通过将振动信号从时域转换到频域，分析各频率成分的能量分布，从而判断轴承的故障类型和程度。

频域分析方法能够提供更丰富的故障信息，但处理复杂度较高。

3. 时频域分析：结合时域和频域的分析优点，通过短时傅里叶变换、小波变换等方法，实现对振动信号的时频域联合分析。

时频域分析方法能够更准确地反映轴承的故障特征，但算法复杂度较高。

轨边声学信息的高速列车滚动轴承故障特征提取及实验方法研究摘要随着高速列车的发展，滚动轴承在高速列车运行中扮演了重要的角色。

而滚动轴承的故障问题是制约大型机械运转的关键因素，对于高速列车来讲尤其如此。

本文针对高速列车滚动轴承故障问题，通过声学信息的研究，提取故障特征。

首先，对火车车轮轴承以及轨道各部分进行了声学测试，并对信号进行了预处理，然后使用小波包分解进行数据特征提取。

对于高速列车轮轴承故障而言，异常信号取决于多个因素，如轮径，轮廓，偏心率，轴向载荷，转速等。

因此，这种多因素会使得故障特征提取存在着一定复杂性和难度。

本文运用了PCA算法对提取的滚动轴承信号特征进行了降维处理和数据分类。

最后，本文提出了一种实验方法，对所研究的滚动轴承进行了实验检测，并得出了较为准确的故障诊断结果。

关键词：滚动轴承，高速列车，声学信息，小波包分解，故障特征提取，PCA算法，实验方法研究AbstractWith the development of high-speed trains, rolling bearings play an important role in their operation. However, the problem of rolling bearing failures is akey factor that restricts the operation of large-scale machinery, particularly in high-speed trains. This paper focuses on the problem of rolling bearingfailures in high-speed trains, and extracts failure characteristics through acoustic information. Firstly, acoustic tests were carried out on various parts ofthe train wheel bearings and rails, and the signals were pre-processed. Then, wavelet packet decomposition was used for data feature extraction. For the rolling bearing fault in high-speed trains, the abnormalsignal depends on multiple factors, such as the wheel diameter, contour, eccentricity, axial load, and speed. Therefore, the complexity and difficulty of fault feature extraction can be significant. In this paper, the PCA algorithm was used to perform dimensionality reduction and data classification on the extracted rolling bearing signal features. Finally, an experimental method was proposed to detect the rolling bearing under study, and an accurate fault diagnosis result was obtained.Keywords: Rolling bearing, high-speed train, acoustic information, wavelet packet decomposition, failure feature extraction, PCA algorithm, experimental methodRolling bearings are critical components in high-speed trains, and their failure can lead to serious safetyissues. Acoustic signals generated by the rolling bearings can provide valuable information for fault diagnosis. However, the signals are often complex and noisy, making it challenging to extract useful features for effective fault diagnosis.In this study, wavelet packet decomposition was used to decompose the acoustic signals into multiple frequency bands. The decomposed signals were then subjected to feature extraction using statistical features such as mean, standard deviation, and kurtosis. The extracted features were further processed using principal component analysis (PCA) for dimensionality reduction and data classification.The proposed experimental method involved collecting acoustic signals from a rolling bearing underdifferent operating conditions. The signals were processed using the aforementioned techniques, and fault diagnosis was performed based on the extracted features. The accuracy of the diagnosis was evaluated by comparing the results with those obtained using traditional diagnostic methods.The results showed that the proposed method was effective in detecting and diagnosing faults inrolling bearings. The PCA algorithm was able to reducethe dimensionality of the data while preserving the relevant information, leading to improvedclassification accuracy. The experimental method was also able to accurately detect the fault in therolling bearing under study.In conclusion, the proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm can be an effective approach for fault diagnosis of rolling bearings in high-speed trains. The method can aid in ensuring the safe and reliable operation of high-speed trainsMoreover, this method can be extended to other machinery fault diagnosis applications, such as gearboxes, turbines, and engines. This is because the proposed method is versatile and can be adapted tosuit the specific requirements of a given application. For instance, the method can be adjusted to accommodate different types of sensors, signal acquisition systems, and data processing algorithms.It is worth noting that this method may have some limitations. First, the quality of the fault diagnosis data largely depends on the accuracy of the sensors and signal acquisition system. Therefore, it iscrucial to ensure that these components are properlycalibrated and maintained. Second, the proposed method may be affected by noise and other forms of interference. Hence, it is essential to apply noise reduction techniques to ensure that the extracted features are accurate and reliable. Finally, the method may require some computational resources, especially when processing large datasets. Therefore, it is necessary to employ efficient algorithms and computer hardware.Despite the limitations, the proposed method has significant potential for enhancing fault diagnosis in rolling bearings and other machinery applications. It can enable early detection of faults, reduce maintenance costs, and improve the overall safety and reliability of high-speed trains and other critical systems. As such, further research is needed to explore the full potential of this method, including its application in other domains, such as aerospace, automotive, and manufacturing.In conclusion, machinery fault diagnosis is a critical task that requires accurate and reliable methods. The proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm can offer an effective approach for fault diagnosis of rolling bearings in high-speed trains. The method can enhancethe safety and reliability of high-speed train operations by enabling early detection and prevention of faults. It represents a significant contribution to the field of machinery fault diagnosis and warrants further research and developmentIn addition to its potential applications in the field of high-speed train operations, the proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm can also have broader implications for the diagnosis of faults in other types of machinery. Various industries such as aerospace, automotive, and manufacturing rely on the effective and efficient operation of machinery to maintain productivity and safety.Moreover, the proposed method has the potential to be applied to both rotating and non-rotating machinery systems. For instance, it can be used to detect faults in gearboxes, turbines, pumps, and compressors. Faults in these systems can have significant consequences such as reduced performance, increased energy consumption, and equipment failure, which can lead to safety hazards, costly repairs, and production losses.Furthermore, the proposed method can be enhanced by incorporating other diagnostic techniques such asvibration analysis and acoustic emission analysis. Combining multiple diagnostic methods can improve overall fault detection accuracy, reduce false alarms, and enhance the reliability of fault diagnostics. Additionally, the method can be used in conjunction with condition monitoring systems that continuously monitor machinery performance and health to provide real-time alerts and avoid unplanned downtime.In conclusion, the proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm offers a promising approach for fault diagnosis of rolling bearings in high-speed trains and other machinery systems. Its potential applications are wide-ranging and can have significant implications for machine performance, safety, and productivity. Further research and development are needed to refine and optimize the method for specific applications and improve its diagnostic accuracy and reliabilityIn conclusion, the method based on wavelet packet decomposition, feature extraction, and PCA algorithm shows promise for fault diagnosis of rolling bearings in high-speed trains and other machinery systems. The method has the potential to improve machine performance, safety, and productivity. However,further research and development are necessary tooptimize its diagnostic accuracy and reliability for specific applications。

基于振动信号分析的滚动轴承故障特征提取方法研究基于振动信号分析的滚动轴承故障特征提取方法研究摘要：滚动轴承作为机械设备中重要的零部件之一，其故障会导致设备停机、损坏等严重后果。

因此，及时准确地判断滚动轴承的故障状态对设备的可靠运行至关重要。

本文基于振动信号分析，研究了滚动轴承故障特征提取方法，以实现对滚动轴承故障的快速准确诊断。

首先，本文介绍了滚动轴承故障的原因和常见的故障模式，包括疲劳裂纹、滚珠脱落、滚针断裂等。

在滚动轴承发生故障时，会引起振动信号的变化，在振动信号中提取故障特征成为故障诊断的重要手段。

其次，本文提出了一种基于振动信号分析的滚动轴承故障特征提取方法。

该方法首先通过传感器采集滚动轴承的振动信号，然后利用时域分析、频域分析、小波分析等技术对振动信号进行处理。

在时域分析中，可以通过计算振动信号的均值、方差、峰值等参数来提取故障特征。

在频域分析中，可以通过进行傅里叶变换，将振动信号转换到频域，进而提取故障特征。

在小波分析中，可以利用小波变换将振动信号进行分解，并对不同尺度的分量进行分析，从而得到更加详细的故障信息。

进一步，本文还介绍了一些常用的滤波方法，如低通滤波、高通滤波和带通滤波等，用于滤除振动信号中的噪声干扰，提高故障特征的提取精度。

最后，本文通过实验验证了所提出的滚动轴承故障特征提取方法的有效性。

实验中，采用了一台滚动轴承故障仿真装置，通过人工制造不同类型的故障，采集振动信号并进行分析。

实验结果表明，所提出的方法能够准确提取滚动轴承故障特征，并实现对不同故障模式的区分。

综上所述，本文基于振动信号分析的滚动轴承故障特征提取方法可为滚动轴承的故障诊断提供有力支持。

未来可以进一步探索更加高效、准确的故障特征提取方法，并结合机器学习等技术，开发智能化的滚动轴承故障诊断系统，实现设备的在线监测和预警，提高设备的可靠性和运行效率。

关键词：振动信号分析；滚动轴承；故障特征提取；时域分析；频域分析；小波分析；滤波方法；故障诊综合以上研究结果，本文提出的基于振动信号分析的滚动轴承故障特征提取方法在滚动轴承故障诊断中具有良好的效果。

滚动轴承特征信息提取及状态评估方法研究摘要：滚动轴承作为旋转机械设备的关键零部件之一，其使用寿命受多因素影响，尤其是在高负荷、多工况、运行时间长的轴承，运行状态应备受关注，目前基于振动信号的轴承监测、轴承寿命评估和预测是最有效的方法之一。

针对轴承故障诊断方法只能判断出轴承故障部位，不能对轴承损伤程度和变化形成量化描述。

本文通过对原始信号的有效特征指标处理、提取和识别，并利用主成分分析法对指标进行融合，寻找可靠指标对轴承健康状态进行描述。

关键词：滚动轴承；特征提取；主成分分析法；健康状态引言滚动轴承是电力、冶金、运载、机械等国民经济行业使用最广泛的机械零件，也是机械设备中最易受损的零件之一。

因此轴承状态监测是许多旋转机械中必不可少的一部分，目前基于振动信号的轴承状态监测、轴承寿命评估和预测是最有效的方法之一。

本文主要通过幅域分析中对相关特征参数提取，并使用特征融合、高斯过程回归对轴承状态进行评估和预测。

1 滚动轴承特征参数提取1.1 基于振动信号特征指标概述时域特征指标主要分为有量纲参数和无量纲参数。

一般来说，随着轴承故障的萌生和不断扩展，同一台设备的有量纲特征指标幅域值会不断增大。

有量纲特征指标对于早期故障较为敏感，但会因工作条件的变化而变化，不能稳定的反应轴承状态。

而无量纲指标对轴承故障较敏感，但其敏感度是随着故障的不断发展会有所下降。

因此，根据轴承状态选取合适指标是非常重要的。

有量纲参数主要有有效值、标准差、方差、偏斜度、峭度等。

无量纲时域特征参数有偏斜度指标、脉冲指标、波形指标、峰值指标、裕度指标、峭度指标等。

时域分析往往只是判断滚动轴承是否存在故障及故障的严重程度，不能判别是轴承哪个部位出现问题，而频域分析则可根据相关的频谱成分进行故障诊断。

频域特征指标参数是通过傅里叶变换使离散的振动信号从时域转化为频域。

对不同故障程度，其特征指标参数是有所不同的。

其相关指标计算式见表1。

表1-频域特征指标参数1.2 滚动轴承特征选取和融合特征提取实现了从大数据量、低维度、低信息浓度的时间序列转化成高维度和高信息浓度的特征指标，但提取的这些特征指标之间的信息往往仍然存在一定的不相关性或冗余性。

基于振动信号的滚动轴承故障诊断方法研究摘要：滚动轴承是机械装置中最基础的零部件之一，它的故障会影响到整个设备的正常运行。

因此，开发一种有效的滚动轴承故障诊断方法具有重要意义。

本文基于振动信号分析技术，研究了一种基于振动信号的滚动轴承故障诊断方法。

首先，选取适当的传感器并对滚动轴承进行测量，并采用小波分析对数据进行处理得到振动信号。

然后，运用时域特征分析和频域特征分析对振动信号进行分析，得到了滚动轴承在不同负荷下的故障特征。

接着，使用支持向量机（SVM）分类器对不同状态下的振动信号进行分类和识别。

实验结果表明，本方法具有高精度和较好的鲁棒性。

关键词：滚动轴承，振动信号，小波分析，特征分析，SVM分类器。

1. 引言随着机械制造行业的快速发展，各型号机械装置的使用也越来越广泛。

而滚动轴承作为机械装置中最基础的零部件之一，直接影响到机械设备的正常运行。

因此，对滚动轴承的故障诊断和预测已经成为技术研究的热点之一。

目前，对于滚动轴承的故障诊断方法主要包括传统的工程机械振动分析、声学分析和温度分析等方法，以及近年来出现的基于机器学习和深度学习的方法。

这些方法各有优劣，传统方法不需要大量的训练数据，但是需要受到专业领域知识的指导；而基于机器学习的方法需要更多的训练数据，但是可以普遍适用于不同类型的滚动轴承。

2. 滚动轴承的振动信号分析滚动轴承的故障通常会表现为振动信号的异常。

因此，通过对滚动轴承振动信号的分析可以得到滚动轴承的状态信息。

在本文中，选取加速度传感器对滚动轴承进行测量，然后对测定后的振动信号进行小波分析得到频谱图，如图1所示。

从图1中可以看出，滚动轴承的振动信号频谱与功率谱随着负荷大小的增加而出现明显变化，这些特征可以用来判断滚动轴承的状态。

3. 滚动轴承故障特征的提取3.1 时域特征提取时域特征主要包括振动信号的均方根、峰值、峰峰值等。

这些特征可以反映出不同状态下的振动信号的差异。

3.2 频域特征提取频域特征主要包括功率谱、频率响应等。

简述滚动轴承故障特征信息提取与相关方法的应用【摘要】本文根据滚动轴承故障的产生原因进行了一系列的分析和研究，提出了滚动轴承故障特征信息的提取方法。

研究表明，滚动轴承故障会导致轴承座或其他部件的共振现象，在对轴承振动信号进行了科学的FFT分析之后，完全可以自动的提取对于滚动轴承的故障特征信息。

通过对滚动轴承的振动信号加以分析之后，我们可以方便快捷的检查和诊断出滚动轴承是否存在故障问题。

【关键词】滚动轴承；故障；提取一、引言滚动轴承由于其自身的良好特点在旋转机械当中的应用非常普遍，但滚动轴承有时会产生一定的故障，会对整个机械的正常运行造成影响，所以我们应当通过一定的技术手段及时的发现和处理滚动轴承的故障。

振动诊断法可以有效的检测出滚动轴承的运行状况，使得对滚动轴承的故障检测更加简单方便。

小波包分析法也是一个新兴的强大分析方法，它的优点是可以同步的分析振动信号的时域和频域信息。

本文对如如何及时的发现滚动轴承的故障，保障机械的正常运行提出一些切实可行的诊断方法以供参考。

二、滚动轴承故障特征对于滚动轴承，当轴承的滚子、内圈、外圈存在局部不规则损伤，如剥落、点蚀、裂纹等时，在轴承运转过程中，轴承的其他零件必然会间断地撞击故障部位，产生冲击，从而激起轴承座或其他机械零部件产生共振，形成一系列冲击振动。

实测的轴承振动信号中，除了损伤引起的冲击振动，还包含大量的其他振动信号。

对于仅有早期故障的轴承，由损伤引起的冲击信号极其微弱，被正常的振动信号所淹没，直接对振动信号作频谱分析根本无法检测出来。

振动信号频谱还具有两个明显的特点，一个是就留存了所有强烈冲击之后的频率成分；另一个是在谱图当中清晰的显示了高频的共振峰群，因为轴承座与其它的机械零件同样有着相当高的固有频率，所以共振反应的图谱峰群都将会显现到高频区域。

一般情况下，振动信号里面都不含有高频成分，那么冲击产生的高频固有振动会受到正常振动信号对其造成的干扰较小。

所以对冲击产生的高频固有振动分析之后，将会是对故障特征信息进行提取的一种非常方便的有效手段。

振动机械（振动筛）滚动轴承故障信号处理及诊断方法研究振动机械（振动筛）滚动轴承故障信号处理及诊断方法研究随着工业技术的不断进步和发展，振动机械（振动筛）作为一种重要的工业设备，广泛应用于各个行业，例如矿山、建筑、化工等领域。

然而，长时间的运行和大负载的工作环境容易导致振动机械滚动轴承的故障。

因此，对振动机械滚动轴承的故障预警和诊断显得尤为重要。

振动机械滚动轴承的故障信号可以通过振动信号捕捉到。

振动信号是由振动筛中物料的运动和旋转等因素产生的。

当滚动轴承发生故障时，会引起振动信号的变化，因此通过对振动信号的监测和处理，可以实现对滚动轴承故障的诊断。

滚动轴承故障信号的处理主要包括信号的采集、滤波和特征提取等步骤。

在信号的采集过程中，一般会使用加速度传感器或振动传感器进行信号的捕捉。

然后，通过滤波处理，可以去除掉信号中的高频噪声和低频分量，得到一个干净的振动信号。

接下来，通过特征提取方法，可以提取出滚动轴承故障信号中的有用信息，例如振动波形、频谱特征等。

基于上述处理过程，可以得到滚动轴承故障信号的特征数据。

接下来的关键步骤就是对这些特征数据进行诊断分析，以判断滚动轴承是否发生故障及故障的类型。

常用的诊断方法包括模式识别、人工智能等技术。

模式识别方法主要是通过建立一个故障诊断模型，将滚动轴承的特征数据与已知的故障模式进行比较，从而判断故障的类型。

人工智能方法主要是通过机器学习算法，对大量的滚动轴承故障数据进行训练，从而实现对未知故障的诊断。

值得注意的是，滚动轴承故障信号处理及诊断方法的研究需要考虑到实际工作环境的复杂性和滚动轴承的多种故障情况。

因此，研究人员需要对不同类型的故障进行详细的分析和研究，以提高诊断的准确性和可靠性。

在振动机械（振动筛）滚动轴承故障信号处理及诊断方法的研究中，还需要注意信号处理技术的发展和进步。

随着传感器和信号处理技术的不断更新，振动信号的采集和处理变得更加精确和高效。

因此，研究人员需要关注最新的技术进展，并将其应用到滚动轴承故障信号的处理和诊断中，以提高故障诊断的效果。

基于RUL的滚动轴承健康管理模型和预测性维护优化策略研究共3篇基于RUL的滚动轴承健康管理模型和预测性维护优化策略研究1随着航空、航天、高速列车等应用场合的不断发展，滚动轴承健康管理变得越来越重要。

滚动轴承是一种关键的机械组件，在高速、重载和恶劣环境下工作。

因此，在保证运行安全的同时，提高滚动轴承的寿命和可靠性是至关重要的。

基于剩余寿命预测（Remaining Useful Life，RUL）的滚动轴承健康管理模型被广泛应用。

它可以预测滚动轴承的剩余寿命，使得对于滚动轴承的检测和维护能够在最佳的时间点进行，避免因过早或过晚的检修而引起的呆滞和事故。

RUL预测模型可以采用机器学习方法或统计方法进行建模。

其中，机器学习方法通常基于数据驱动技术，可以充分利用大量的历史数据，学习滚动轴承的工作状态和特征，利用这些特征预测滚动轴承的剩余寿命。

在基于RUL的滚动轴承健康管理模型的基础上，预测性维护优化策略被提出。

预测性维护优化策略旨在通过最佳的维护策略来最大化滚动轴承的寿命和可靠性，并减少维护成本。

该策略通常采用基于RUL的滚动轴承维护计划和基于状态的维护（Proactive Maintenance，PM）和故障排除（Fault Detection and Diagnosis, FDD）方法进行。

在基于RUL的滚动轴承健康管理模型和预测性维护优化策略的应用中，还需要考虑一些挑战和限制。

首先，基于RUL的滚动轴承健康管理模型需要大量的历史数据进行训练，但是实际上，采集到的数据可能存在不完整性、噪声等问题。

因此，如何克服这些问题是一个重要的研究方向。

其次，预测性维护优化策略需要考虑维护的成本和效益问题，维护的时间点和方式对维护成本和效益有着很大的影响。

因此，如何准确地预测滚动轴承的剩余寿命，以及如何制定最佳的维护策略，是预测性维护优化策略研究的热点和难点问题。

在未来，基于RUL的滚动轴承健康管理模型和预测性维护优化策略将在更广泛的应用场合中得到应用。

轴承振动信号的去趋势分析和故障特征提取方法研究田锐【摘要】针对传统经验模式分解(EMD)确定含噪模式分量缺乏具体评价指标的问题,首先利用互补集合经验模式分解(CEEMD)将故障信号分解,然后利用去趋势波动分析(DFA)计算每一个模式分量对应的标度指数,有用分量和含噪分量通过标度指数的幅值阈值进行区分,最后小波分析用于对识别出的高频含噪分量进行降噪处理,其目的是最大程度地保留高频模式分量中的故障信息,实现信号的自适应降噪.通过对轴承故障信号和数值仿真信号的分析结果表明:提出的方法能够更好地识别和提取轴承的故障特征.【期刊名称】《机械设计与制造》【年(卷),期】2018(000)012【总页数】5页(P100-104)【关键词】互补集合经验模式分解;去趋势波动分析;小波分析;故障诊断【作者】田锐【作者单位】荆楚理工学院,湖北荆门 448000【正文语种】中文【中图分类】TH161 引言在流程工业中大多数设备都处在高速、重载和强磁场的环境中，滚动轴承作为重要的零部件，其发生故障会导致机械设备停机，因而对滚动轴承的故障状态进行智能诊断有实用的价值。

轴承故障信号具有非线性、非平稳的特性，传统频谱分析方法主要针对周期平稳信号，因此这些方法不能完全提取信号所含有的信息，具有一定程度的局限性。

一些非平稳信号的处理方法如：时频分析[1]、小波变换[2]及小波变换的变种[3]、多分辨奇异值分解[4]等方法虽然改进了传统方法的不足，但是针对早期微弱故障信号，其也很难取得理想的效果，主要是由于这些方法本身在理论上也存在一些局限性。

经验模式分解（Empirical Mode Decomposition，EMD）[5]具有正交性、完备性和自适应性的特点，在信号处理和故障诊断方面得到了相关运用[6-7]，但是其存在模态混叠和端点效应等问题限制了其进一步地推广。

集合经验模式分解（Ensemble Empirical Mode Decomposition，EEMD）[8]重要特点是通过添加白噪声辅助信号来部分地减弱模态混叠现象。