基于改进的经验模态分解的后视镜驱动器故障诊断方法

高 丰，朱少成，罗 石

(江苏大学 汽车与交通工程学院，江苏 镇江 212013)

0 引言

电动后视镜凭借其调节方便和驻车收缩等功能特点，在小型轿车中逐渐普及。后视镜驱动器作为电动后视镜核心部件，相比于传统机械后视镜，在驱动器部分发生故障的概率较高。电动后视镜驱动器中存在的微小故障将会导致调节角度不到位及视野受限等问题，从而威胁驾驶安全。因此，有必要对电动后视镜的驱动器进行故障诊断研究。

目前，针对旋转机械的故障诊断常用的信号时频分析方法有: 傅里叶变换[1](Fourier transform,FT)、短时傅里叶变换[2](short time Fourier transform,STFT)、维格纳分布[3](Winger-Ville distribution,WVD)和小波变换[4](wavelet transform,WT)等。文献[5]使用傅里叶变换结合多滤波器进行机械故障诊断，但傅里叶变换是基于线性系统和稳定信号的假设前提下应用的方法，存在一定的局限性。针对传统傅里叶变换的不足，文献[6-8]将STFT应用在机械故障诊断中，但是该方法同时受到时间分辨率与频率分辨率的约束。文献[9-11]提到了小波变换在机械故障诊断中的应用，但是小波基函数的选择对结果影响较大。经验模态分解[12](empirical mode decomposition, EMD)方法依据输入振动信号自身的特点，自适应地将振动信号分解成若干个固有模态函数之和，不依赖窗口与基函数的选取。文献[13-14]研究了EMD方法在电机故障诊断及轴承故障诊断中的应用。

基于上述文献研究，本文提出了改进的集成经验模态分解算法(ensemble empirical mode decomposition,EEMD)与自回归模型(autoregressive model,AR)功率谱估计结合的后视镜驱动器故障诊断方法。首先，使用EEMD算法将后视镜驱动器振动信号分解成若干个本征模态函数(intrinsic mode function,IMF)信号，通过峭度谱与相关系数结合的方法筛选出有效的IMF分量。……