文档介绍：基于LMD的滚动轴承故障信号提取研究
 
 
罗嘉 张翠平
摘要：轴承早期的故障信号属于微弱信号，在强噪声背景下很难被发现，针对该问题，提出了一种局部均值分解（LocalMeanDecomposition）方法的滚动轴承故障特征提取方法。通过分析故障仿真信号发现LMD将复杂信号分解为若干PF分量，先用MED对故障信号进行降噪，然后对降噪后的信号进行LMD分解，成功提取了故障信号。
关键词：局部均值分解；故障診断
1绪论
齿轮箱作为重要的零件，在整机中起着调节转速、传递动力的作用，其工作状态一直备受关注，同时齿轮箱在高速、重载、持续的工作状态下，极易出现疲劳故障，而轴承磨损的初期信号较微弱，很难在强噪声的背景下被人们察觉[1]。如何在设备工作以前检测出来存在的风险对保证高效运行以及安全稳定具有重要的意义。因此提出一种合理有效的故障诊断检测方法显得尤为的重要。
传统的时频分析法有：短时傅里叶变换，小波变换等，这些方法都具有缺乏自适应性的缺点[23]。Smith2005年提出的新的分解方法LMD（LocalMeanDecomposition）可以自适应的将故障信号分解为若干PF分量（ProductFunction）[4]。但是该方法在分解时噪声对其影响较大，所以在强噪声背景下会出现失真。针对以上情况，本文提出了一种基于LMD方法相结合的故障信号提取方法。
2仿真信号分析
为了验证噪声对LMD影响较大的理论，采用了与MED降噪所用相同仿真信号，分别进行两组仿真实验，第一组不经过降噪，直接用LMD进行分解。
有噪声的仿真信号经过LMD分解后信号仍然比较杂乱，从分解得到PF分量中无法获得所需的冲击成分，降噪后可以得到，与原信号相关性最强的PF1中存在周期性故障存在。
通过仿真实验，可以表明噪声对LMD分解有很强的影响，在LMD分解前，必须经过降噪处理，才能得到有效的PF分量。
3实测信号分析
对振动信号进行MED降噪处理后峭度值由10增加至15，冲击信号更为凸显，通过对比MED降噪处理前后的信号可以得到，处理后的模态混叠现象比较严重。这一点从时域图中可以看到处理后的信号比原信号的波形变得清晰了很多。。
通过齿轮箱振动信号测试后实验检测发现在中间轴靠电机侧的轴承内圈上发现明显点蚀，这与局部均值分解方法的滚动轴承故障特征提取方法得到的结果是一致的，进一步验证了检测模型的准确性。
而且该方法在对轴承对原信号进行MEDEMD降噪分解可成功抑制噪声，提取微弱故障特征频率，且易于判断各频率之间的关系，从而验证了该方法的有效性。而且线比较其它检测方法具有较高的精度和准确度，为有效的推广起到了很大的意义。
4结论
1）轴承早期的故障信号属于微弱信号，在强噪声背景下很难被发现，针对该问题，提出了一种局部均值分解（LocalMeanDecomposition）方法的滚动轴承故障特征提取方法。
2）通过分析故障仿真信号发现LMD将复杂信号分解为若干PF分量，先用MED对故障信号进行降噪，然后对降噪后的信号进行LMD分解，成功提取了故障信号。
参考文献：
[1]HuoL.