轴承特征信号提取

稳 振动信 号 中提取 故障信 息成 为滚动 轴承故 障诊 断
的关键口 ］ 。包 络解调 分析 法是 目前 常用 的滚 动轴 承 故障诊 断方法 ］ ， 但包 络解 调方法 需要选 择带 通滤
波器 的中 心频率 和滤 波 带 宽 ， 而这 些 参数 的选 择需
要具备 丰 富的先验 知 识 ， 并 且 对分 析 结果 具 有 很 大
基 于 改进 Ｅ ＭＤ和 谱 峭度 法 滚 动轴 承 故 障特 征 提取
张志 刚 ， 石 晓辉 ， 施 全 ， 汤 宝平。
（ １ ． 重 庆 理 工 大 学 汽 车 零 部 件 制 造及 检测 技 术 教 育 部 重 点 实 验 室 重 庆 ， ４ ０ ０ ０ ５ ４ ）
稳化 处理 ， 把复 杂 的信 号分 解 为 一 系列 固有模 态 分 量（ ｉ ｎ ｔ ｒ ｉ ｎ ｓ ｉ ｃ ｍｏ ｄ ｅ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ， 简称 Ｉ ＭＦ ） 。与其 他 的
分 析方法 相 比 ， Ｅ ＭＤ是一种 无需 任何先 验知识 的 自
灰色 关联度 是灰 色关联分 析方 法描述 系统各 因 素 之间关 联 程 度 的量 化 指 标 。这 种 关 联 分 析 方 法 对数 据样本 数量 和典 型 分 布 规律 没 有太 多 要 求 ，
影响， 这增 加 了包 络解 调分析 法 的推 广应用 的难 度 。 Ｅ ＭＤ是 Ｈｕ ａ ｎ ｇ等 提 出 的一 种 适 于 处 理 非 线
１ 基于灰色关联度与互信息的改进 Ｅ ＭＤ
１ ． １ 灰 色 关 联 度
性、 非平稳 信号 的新方 法ｌ ４ ｊ ， 其 本质 是对信 号进行十 分 必 要 的。谱 峭度 法 是 Ｄ ｗｙ ｅ ｒ
＊ 国 家 自然科 学 基 金 资 助 项 目（ ５ ０ ８ ７ ５ ２ ７ ２ ） ； 国家 高 技 术 研 究 发 展 计划 （ “ 八六三” 计划 ） 资 助项 目（ ２ ０ ０ ９ Ａ Ａ０ ４ Ｚ ４ １ １ ） 收 稿 日期 ： ２ ０ １ １ — ０ ４ — １ ２ ； 修改 稿 收 到 日期 ： ２ ０ １ １ — ０ ７ — ０ ３

基于变分模态分解的轴承振动特征提取方法石坤举;朱文华;蔡宝;吴镝【摘要】设备运转的状态信息能够通过振动信号实时反映出来,然而由于信号中混杂了大量背景噪声等干扰信息,使得信号分解技术成为关注的重点之一.变分模态分解(variational mode decomposition,VMD)克服了传统自适应信号分解方法的不足,分解出的信号消除了端点效应和模态混叠等失真现象,具有抗噪干扰能力强、计算速度快等优点.针对VMD模态K数难以选取的问题,以信号主频率个数作为K的选择依据,然后结合信息熵测度,提出了一种的新的振动信号提取方法,剔除干扰信息,便于故障类型的查找.仿真和轴承实验表明了该方法的有效性和可行性.【期刊名称】《上海第二工业大学学报》【年(卷),期】2017(034)004【总页数】6页(P264-269)【关键词】变分模态分解;信息熵;滚动轴承;特征提取【作者】石坤举;朱文华;蔡宝;吴镝【作者单位】上海第二工业大学工程训练中心,上海201209;上海第二工业大学工程训练中心,上海201209;上海第二工业大学工程训练中心,上海201209;上海第二工业大学工程训练中心,上海201209【正文语种】中文【中图分类】TP206机械故障诊断即通过传感器获得的信息判断、预测设备的工作状态,是实现视情维修和保障生产安全的技术。

设备运转过程中的振动信息时刻反映着设备状态,蕴含着大量的状态信息。

随着传感技术的发展,获得的振动信号愈加精细的同时大量无关信息也被一同获取。

有效的状态信号往往湮没在环境噪声等干扰信息中。

信号自适应分解技术由于摆脱了如傅里叶分析[1]、小波分析[2]等固定基分解的缺陷,在复杂不规则信号处理中取得了较好的效果。

但经典自适应信号分解方法如EMD(经验模态分解)、LMD(局部均值分解)等存在模态混叠、端点效应等缺陷[3]。

随后,虽有学者对传统自适应分解方法做出改进[4],但仍没有摆脱经典自适应方法的分解思想。

机械振动信号的特征提取与模式识别机械振动信号在工业领域中具有重要的应用价值，可以用于故障预警、健康监测和故障诊断等方面。

而要对这些振动信号进行有效的分析和处理，就需要进行特征提取和模式识别。

本文将探讨机械振动信号的特征提取方法以及模式识别技术。

一、机械振动信号的特征提取机械振动信号的特征提取是将信号转换为可量化的特征，并且使这些特征能够准确地描述信号的振动性质。

常用的特征提取方法有时域分析、频域分析和时频域分析。

时域分析通过对振动信号在时间上的变化进行分析，获取信号的时间统计特性。

常用的时域特征包括均值、方差、峰值、峭度等。

这些特征能够反映信号的整体趋势以及统计分布情况。

频域分析将振动信号转换到频域进行分析，可以得到信号的频谱特性。

常用的频域特征包括功率谱密度、频率峰值等。

这些特征能够反映信号在不同频率上的能量分布情况。

时频域分析结合了时域和频域的分析方法，在时域和频域上对信号进行分析。

常用的时频域特征包括小波包能量谱、瞬时频率等。

这些特征能够反映信号在时间和频率上的变化情况。

二、机械振动信号的模式识别机械振动信号的模式识别是为了从信号中提取有用的信息，判断信号所对应的状态或故障类型。

常用的模式识别技术包括支持向量机、人工神经网络和隐马尔可夫模型等。

支持向量机是一种有效的分类方法，通过将低维的数据映射到高维空间，找到一个最优的超平面来进行分类。

支持向量机在机械振动信号的模式识别中具有良好的应用效果。

人工神经网络是一种仿生学算法，通过模拟神经系统的运行方式来进行模式识别和分类。

人工神经网络在机械振动信号的模式识别中能够学习和提取信号的特征，并进行准确的分类和识别。

隐马尔可夫模型是一种用于序列分析的统计模型，通过对振动信号的时序特性进行建模和分析。

隐马尔可夫模型在机械振动信号的模式识别中可以对信号的状态进行有效的识别和预测。

三、机械振动信号的特征提取与模式识别的应用机械振动信号的特征提取和模式识别在工业领域中具有广泛的应用。

进 行着 探索 性 的研 究 。杨宇 、 王 欢欢 等 人 提 出 了一 种基于 Ｌ ＭＤ 的包 络 谱 特 征值 的滚 动 轴 承故 障诊 断 方法 ， 然 后再 通过 支持 向量 机分 类器 ， 区分 了故 障类
型 和工作 状 态 ， 很 好 的验 证 了其 方 法 的有 效 性 ；
纪８ ０年 代初 创 立 的 ， 它 又 具有 非 常有 效 的非 线 性 、
非 平稳 滤 波技术 ， 在 故 障诊 断 领 域具 有 良好 的应 用
前 景 。近年 来 ， 很 多 学 者 对 上述 两种 方 法 正 在 不 断
械振动信号降噪的新方法 ， 也就是数学形态滤波器 ， 得 到 了很 好 的滤波 效 果 ； 李 兵 等 人 将 自适 应 多 尺 度形 态梯 度变 换 的方法应 用 于滚 动轴 承故 障特征 的 提取 之 中， 具 有 更 强 的 噪 声 抑 制 和 脉 冲 提 取 能 力 。但是 对 于采 用 Ｌ ＭＤ和 形 态 滤 波相 结 合 的方 法却 鲜见 报道 。 现拟 采用一 种 Ｌ ＭＤ与 自适 应 多 结 构 元 素 多 尺 寸差值 形态 滤波 器相 结合 的方 法应 用 于滚动轴 承 故 障诊断中。先将原始故障信号通过局部均值分解得 到若 干 Ｐ Ｆ分量 ， 然后 采 用 峭 度 准则 ， 选 取 峭 度 值最 大的 Ｐ Ｆ分 量 ， 再 将 其 经 过 自适 应 多结 构 元 素 多尺 寸差值 形态 滤波 器 进 行 滤 波解 调 ， 最 后 将 解 调 结果 进 行频 谱分 析 ， 从 而有 效地 提取 故 障特征 。
２ ０ １ ３年 ９月 ２日收到 第一作者 简介 ： 朱平 岗 （ １ ９ ６ ５ 一） ， 男， 博士 ， 教授， 硕 士研究生 导师 ，