EEMD和优化的频带熵应用于轴承故障特征提取

李华 刘韬 伍星 陈庆

摘要：针对滚动轴承早期故障特征提取困难的问题，提出了将集合经验模态分解（Ensemble Empirical Mode De-composition，EEMD）和优化的频带熵（OFBE）相结合的轴承故障特征提取方法。针对EEMD的多个本征模态分量（Intrinsic Mode Function，IMF），如何选出更能反映故障特征的敏感IMF的问题，提出一种基于频带熵的敏感IMF的选取方法。首先，对原始振动信号进行EEMD分解，获得一系列IMFs;然后，对原信号和各个IMF分量求频带熵，在熵值最小处设计带通滤波器带宽作为特征频带，比较各个IMF的特征频带与原信号熵最小值所处频带之间的从属关系，进而选出反映故障特征的敏感IMF。由于背景噪声的影响，从选取的IMF中难以准确地得到故障频率。因此，利用FBE在选取IMF的基础上设计的带通滤波器，并提出利用包络峭度最大值原则优化带宽，然后对其进行带通滤波，并进行包络功率谱分析以提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中，能够实现轴承故障特征的精确诊断，证明了该方法的有效性和优势。

关键词：故障诊断;滚动轴承;集合经验模态分解;频带熵;包络峭度

中图分类号：TH165⁺.3;THl33.3文献标志码：A 文章编号：1004-4523（2020）02-0414-10

DOI：10.16385/j.cnki.issn.1004-4523.2020.02.022

引言

滚动轴承是旋转机械的重要组成部分，对滚动轴承的状态监测与故障诊断一直是机械设备故障诊断的热点和难点。

当滚动轴承发生故障时，其振动信号包含了大量的运行状态信息，表现为非平稳性和多分量性的调制信号，特别在故障早期，由于调制源弱，早期故障信号微弱，并且受周围设备、环境的噪声干扰，导致故障特征频率难以提取、识别。……