朱群伟,朱丹宸,张明悦
(1.海军装备部广州局驻湛江地区军事代表室,广东 湛江 524005;2.海军士官学校,安徽 蚌埠 233012;3.92601部队,广东 湛江 524009)
滚动轴承作为旋转机械的核心零部件,常工作在高温、高压和重载的条件下,故障时有发生,严重影响着整个设备的安全稳定运行。因此,开展针对滚动轴承的状态监测和故障诊断方法研究就有着很强的现实意义。基于振动信号进行轴承故障诊断是常见的方法,但由于实际诊断过程中,为了不破坏设备的原有结构,振动信号测量所用传感器大多只能布置在设备外侧的壳体上,轴承故障冲击信号在向外传递过程中需经过复杂的传递路径,造成较大的能量损失,加上多振源导致的强背景噪声干扰,给准确有效的滚动轴承故障特征提取带来极大的难度。
由于经验模式分解(EMD)能够处理非平稳、非线性信号,因此在滚动轴承故障诊断中得到了广泛使用,它将信号分解成一系列从高频到低频的本征模函数(IMF),通过选取合适的IMF进行信号重构,可以去除高频噪声信号,提高原始信号的信噪比。EMD在滚动轴承故障诊断上得到了较为成功的运用[1-2],然而,端点效应和模态混叠一直影响着EMD的处理效果。镜像延拓[3]、匹配延拓[4]等方法都在解决端点效应问题上取得了不错的进展。集合经验模式分解[5](EEMD)的提出较好地解决了模态混叠对EMD的影响。EEMD虽然有着不错的抗混叠效果,但其结果受到总的集合次数以及所添加白噪声大小的影响,同时EEMD的计算效率也要低于EMD。……