艾澍海, 张寿明
(昆明理工大学 信息工程与自动化学院,云南 昆明 650500)
轴承早期的故障信号比较微弱,并且噪声也很强,如何在复杂工况中有效提取滚动轴承早期的故障特征,及时发现并判断出故障的类型、部位,对于保障机械设备正常运行和减少经济损失具有重要的作用,也是当前研究的热点和难点课题。郝如江等人[1]设计了多尺度混合形态滤波器和形态闭开的差值滤波器用于故障信号的特征提取;蒋永华等人[2]利用最小Shannon 熵方法优化Morlet 小波的形状参数,对信号进行Morlet 小波变换实现故障特征的提取;张志刚等人[3]提出了一种基于改进经验模态分解(empirical mode decomposition,EMD)与谱峭度法的特征提取方法;王志坚等人[4]提出了基于最小熵反褶积和总体平均经验模态分解(ensemble EMD,EEMD)来提取微弱故障特征;王建国等人[5]采用自相关分析提取信号中的周期成分,消除噪声的干扰,再利用局域均值分解(local mean decomposition,LMD)进行振动信号故障特征提取,上述方法均取得了良好的效果,但均存在局限性。
相比于EMD,变分模态分解(variational mode decomposition,VMD)[6]具有更好的信噪分离效果,在抑制模态混叠方面优于EMD[7]和LMD[8]。形态差值滤波是形态学滤波器中效果较好的方法,具有算法简单,执行效率高的特点,能有效抑制信号中噪声和谐波成分,提取出正负冲击成分,方便在线实时监测,提取故障特征[9]。
本文将VMD和形态差值滤波器相结合进行故障特征提取。通过VMD得到若干模态分量,通过峭度准则计算得到峭度最大的信号分量;利用形态差值滤波器进一步抑制所得信号分量中的噪声成分;对提取的信号进行了Hilbert包络谱分析。……