基于PCA和LMD分解的滚动轴承故障特征提取方法

黄 浩，吕 勇，肖 涵，侯高雁

(武汉科技大学，冶金装备及其控制教育部重点实验室，湖北武汉 430081)



基于PCA和LMD分解的滚动轴承故障特征提取方法

黄 浩，吕 勇，肖 涵，侯高雁

(武汉科技大学，冶金装备及其控制教育部重点实验室，湖北武汉 430081)

局部均值分解(LMD)是一种自适应时频分析方法，并在轴承的故障诊断中成功应用，但是受噪声的影响比较大。为了最大程度地降低噪声的干扰，提出了主分量分析(PCA)与局部均值分解(LMD)相结合的故障诊断方法。该方法首先利用相空间重构将一维时间序列振动信号嵌入为等效的多维时间序列信号，然后利用主分量分析提取主要成分实现降噪，最后把降噪之后的信号进行LMD分解，分解成若干个乘积函数(PF)之和，对能量最高的PF1进行包络谱分析，提取出故障特征信息。通过仿真试验和轴承故障试验，结果表明该方法能够有效地提取出信号的故障特征，证明了该方法的有效性。

相空间重构；主分量分析；LMD；特征提取

0 引言

故障诊断的关键是从原振动信号中提取故障特征，其中时频分析方法是提取故障特征的主要方法之一。局部均值分解(LMD)[1-2]是Smith提出的一种自适应时频分析方法，该方法能够有效地处理非线性、非平稳信号，近几年在故障诊断中取得了较好的效果。在实际应用中，振动信号往往受到系统噪声和环境噪声的干扰。当信号的信噪比较小时，噪声会使得LMD分解层数增加，无法正确分解出乘积函数(PF)分量，严重时还会使LMD失去实际的物理意义。……