原创《基于改进EMD和双谱分析电机轴承故障诊断实现》：这篇故障诊断论文范文为免费优秀学术论文范文,可用于相关写作参考。
摘 要：轴承是电机设备极重要的部件.轴承故障检测是非常必要的.通过将改进的经验模态分解和双谱分析相结合的故障检测方法来有效诊断电机轴承的早期故障.首先,针对EMD分解无法得到严格单分量IMF的问题,利用小波包分解将轴承振动信号分解为窄带信号并选取能量最集中的频带进行重构,从而降低故障信号的复杂性,抑制模态混叠问题；然后利用经验模态分解方法根据信号的固有波动模式将其分解为一系列IMF分量；再通过方差贡献率检验去除其中的虚假分量；最后,利用双谱分析信号的调制关系进行解耦,得到故障特征频率.验证结果表明,所提出的分析方法能有效诊断轴承故障.
关键词：电机轴承； 故障检测； 改进经验模态分解； 双谱
中图分类号：TH 165；TP 206
文献标志码：A
文章编号：1007-449X（2018）05-0078-06
Abstract：Bearing plays an important role in the area of Motor. To ensure the safe and reliable operation of the motor, fault diagnosis of motor bearings is required. A fault feature extraction approach based on modified empirical mode decomposition and bispectrum was proposed to detect bearing incipient faults of motors in running condition. Firstly, the vibration signals were decomposed into individual frequency bands by wavelet packet and the highest energy band was reconstructed. Then EMD method was used to decompose the signal and gete a series of intrinsic mode function component, variance contribution was used to eliminate false components in EMD. Finally, the bispectrum was applied to identify these interactions and detect the bearing faults while it is still in an incipient stage. Through processing and analyzing the rolling bearing experimental data of West Reserve University, it shows the method is effective.
Keywords：motor bearings； fault diagnosis； modified empirical mode decomposition； bispectrum
0 引 言
电机是一种重要的旋转机械设备.滚动轴承是电机设备最重要的部件之一,起着支撑主轴,传递力矩的作用,且易损坏.根据统计,旋转机械中,约有30%的故障是由轴承损伤引起[1].因此,需建立切实有效的轴承故障监测系统来保障电机的正常工作.
振动分析法是检测轴承故障的一种比较实用的方法.当轴承表面产生损伤时,在电机运转过程中轴承损伤点会和其他部位产生摩擦,摩擦形成的脉冲力会形成一系列减幅振荡.通过振动分析来检测故障的方法实质上就是要得到该振荡频率即故障特征频率[2].根据该频率可以判断发生故障的部位.振动信号具有暂态、突变等非平稳随机的特点,且由于冲击脉冲力会让轴承出现共振,使轴承以固有频率发生振动,其频率和故障特征频率产生调制,使振动信号变成幅调信号.经验模态分解（empirical mode decomposition,EMD）方法由于其本身的自适应性,应用于振动信号的分析时十分方便.EMD分解的核心是本征模态函数（intrinsic mode function,IMF）分量的获取.IMF分量表征了信号的内在特征,更加有利于提取机械振动信号特征信息参数[3].传统EMD方法由于自身分解规则的缺陷,使得信号在频率成分较复杂时得到的IMF分量并不纯粹,即发生了模态混叠,且其中包含了许多虚假分量,给后续分析造成了困难.
双谱分析是处理非高斯、非线性信号非常有用的工具[4],可以抑制噪声,检测非线性振动信号的相位耦合,提取出故障特征频率.
本文将传统的EMD方法进行改进,并结合双谱分析,提出了一种电机轴承故障检测的新方法：首先通过小波包变换将振动信号分解为窄带信号并选取能量最集中的频带进行重构,降低信号的复杂性,抑制模态混叠问題；再将信号EMD分解；对得到的IMF分量进行方差贡献率检验,消除虚假分量；通过双谱分析对信号解耦,提取故障特征频率；最后通过对实际轴承故障数据的分析证明了该方法的可行性.
1 改进经验模态分解（EMD）
1.1 经验模态分解的基本原理
对于非平稳信号,EMD方法根据其固有波动模式将其分解为一系列占据不同频带的IMF使之平稳化.这些包含不同的特征时间尺度的IMF分量表征了原始振动信号的物理信息,即
式中：ci（t）为各阶本征模态函数IMF；r（t）为残余分量.其中IMF需要满足两个条件：一个是在整个的时间历程上的零点个数和极值个数相等或者最多相差1.另一个是在任何时间点上数据的局部均值为0,具体表现为其上包络线和下包络线的均值为0.这种分解方法实质上就是根据经验确定信号的基本振荡模式,并据此分解数据.
故障诊断论文参考资料：
结论：基于改进EMD和双谱分析电机轴承故障诊断实现为关于故障诊断方面的的相关大学硕士和相关本科毕业论文以及相关故障诊断仪的使用步骤论文开题报告范文和职称论文写作参考文献资料下载。
