论文部分内容阅读
电机是现代工业重要的旋转机械,滚动轴承作为电机的核心部件,在工业领域中发挥着极其重要的作用,因此对滚动轴承进行故障诊断具有重要的现实意义。滚动轴承的故障信号是非平稳、非线性的含噪声信号,目前对于轴承故障诊断应用较广泛的方法是时频分析法,如加窗傅里叶变换、Wigner分布、小波变换、经验模态分解(EMD)等方法,这些方法的局限性较大,易受到噪声的干扰。经验小波变换(EWT)是一种自适应信号分解方法,该方法将EMD和小波变换各自的优点相结合,极大程度的克服了在EMD方法中存在的端点效应和模态混叠现象。因此将经验小波变换方法应用到滚动轴承故障诊断中具有重要的意义和理论价值。本文介绍了经验小波变换理论,通过对仿真信号的实验与经验模态分解(EMD)方法作对比,其结果验证了经验小波变换模态分解的优势。通过与其他方法相结合对轴承故障信号进行分解,提出一种基于改进EWT的电机轴承故障特征提取方法。改进的经验小波变换(FCMEWT)将模糊C均值和相关系数法应用到轴承故障特征提取方法中,其中模糊C均值把尺度空间平面中的一组最大最小长度曲线进行聚类,得到一组频谱分割点;用相关系数法得到一个合适的阈值对分解的模态进行选择,最终得到一组可以表征轴承故障特征的IMF分量,达到轴承故障特征提取的目的。为了解决上述提出方法中繁琐的步骤,运算时间复杂,不利于实际工程应用等问题。通过对尺度空间理论研究发现,尺度空间变换可以使故障特征信号显现出来,所以本文又提出一种基于最大-最小长度曲线的改进EWT方法(MSCEWT)。该方法旨在改进尺度空间平面,通过频谱与不同尺度下的高斯核函数的卷积运算,最终得到频谱分割点;对IMF分量做功率谱密度,得到信号的故障特征频率。将MSCEWT方法与EMD和集合经验模态分解(EEMD)的结果作对比。实验结果表明改进的方法更能有效提取轴承的内圈、外圈和滚动体的故障特征频率且分解模态数少,能克服模态混叠和端点效应等问题。因此该研究方法为轴承故障诊断提供了一种新的方法。