基于自适应局部迭代滤波和模糊C均值聚类的滚动轴承故障诊断方法

张超，何闯进，何玉灵

(华北电力大学 机械工程系，河北 保定 071003)

滚动轴承是旋转机械中容易损坏的部件之一，在机械运转过程中，过载、疲劳、磨损、腐蚀等现象都有可能导致轴承损伤。轴承损伤部位经过载荷区时会产生一定的冲击，激励固有频率振动并表现出高频、调幅的特性，而调幅信号中的低频特征与轴承故障类型有关。因此，提取故障信号的低频特征是滚动轴承故障诊断的关键。

由于轴承运行工况复杂，实际采集到的轴承振动信号往往具有明显的非线性、非平稳性特征，且包含较强的背景噪声，传统的傅里叶方法无法实现理想的分析效果。经验模态分解(EMD)可将非平稳多模态信号自适应分解为不同频段的本征模态函数(IMF)，然后结合希尔伯特变换得到各阶IMF的幅值与频率信息[1]。在EMD基础上结合高斯白噪声频率均匀分布的特性，提出的集合经验模态分解(EEMD)方法可以解决EMD的模态混叠问题，从而更好地实现信号的分类识别[2-4]。EMD及其改进算法带来了超越傅里叶分解的新思路，对信号的自适应分解准确度高[5-6]，但仍存在端点效应、分解误差较大等问题。

文献[7]采用固定低通滤波函数替代EMD方法中的包络均值曲线，从而提出了迭代滤波(Iterative Filtering，IF)算法，但该方法的滤波函数需提前设定且在逐次迭代运算过程中保持不变，无法像EMD一样有针对性地实现信号的自适应分解，因而限制了其实际应用。在此基础上，文献[8]选用Fokker-Planck方程的基础解系作为滤波函数，进一步提出了自适应局部迭代滤波(Adaptive Local Interative Filtering,ALIF)方法。……