谢中敏,沈宝国,胡 超
(江苏航空职业技术学院航空工程学院,江苏镇江 212134)
轴承作为旋转机械的核心部件,其故障信息经常被反映在振动信号中。但受制备材料、工作环境等影响,致使轴承寿命离散度较大,且其振动信号常受到其他部件的影响,导致对轴承故障状态识别的难度较大[1]。
轴承故障振动信号是典型的非平稳信号,部分振动信号处理方法难以描述非平稳信号的局部信号特征,但经验模态分解法(Empirical Mode Decomposi‐tion,EMD)能够将振动信号分解为若干个本征模态(Intrinsic Mode Function,IMF)分量[2-3],从而凸显出信号的局部特征。且针对单通道混叠信号的另一种处理方式是利用独立分量(Independent Component Analysis,ICA)有效地分离振动信号中的故障特征信息,剔除噪声信号的干扰,从而进行频谱分析[4]。王志等[3]对轴承振动信号进行EMD 分解,将IMF 作为故障特征样本,采用融合和算法对滚动轴承故障样本进行诊断并取得较好的诊断结果;张健等[5]同样采用EMD 对滚动轴承振动信号进行分解并采用变量预测模型对轴承故障进行诊断。但EMD 分解会产生欠包络、端点效应等问题[6],而使用ICA需要构建有效的信号输入矩阵。
由于振动信号分析带来的诸多因素,许多学者对振动信号进行处理后,基于部分神经网络具备的模糊诊断性能实现轴承故障特征识别。皮骏等[7-8]基于轴承振动信号时域特征参数,结合遗传算法[7]、量子遗传算法[8]、极限学习机[7-8]等对轴承故障进行诊断并取得较好的结果;陈超宇等[9]利用全矢深度学习网络对轴承故障样本进行诊断;……