改进的EEMD方法及其在滚动轴承故障诊断中的应用

被引：69

作者：

程军圣 ^{[1
]}

王健 ^{[1
]}

桂林 ^{[2
]}

机构：

[1] 湖南大学汽车车身先进设计制造国家重点实验室

[2] 武汉重型机床集团有限公司

来源：

振动与冲击 | 2018年 / 37卷 / 16期

关键词：

EEMD; 模态混淆; 最大噪声频率; 故障诊断;

D O I：

10.13465/j.cnki.jvs.2018.16.008

中图分类号：

TH133.33 [滚动轴承]; TN911.7 [信号处理];

学科分类号：

081002 [信号与信息处理]; 082805 [农业机械化与装备工程];

摘要：

针对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法只考虑了噪声的幅值对分解结果的影响,而且添加的白噪声不能完全中和的问题,通过分析噪声的最大频率对分解结果的影响,提出一种改进的EEMD方法。将总体平均次数固定为2,然后对信号添加最大频率和幅值不同的噪声进行分解,遍历之后由分解结果的正交性系数判断分解效果,将正交性系数最小的作为最终分解结果,同时结合补充的EEMD(Complementary EEMD,CEEMD)方法降低残余噪声对分解结果的影响。通过仿真信号和实测信号分析,结果表明改进方法在抑制模态混淆和故障诊断方面较原始方法有一定优势。

引用

页码：51 / 56

页数：6

共 11 条

[1]

An adaptively fast ensemble empirical mode decomposition method and its applications to rolling element bearing fault diagnosis.[J].Xiaoming Xue;Jianzhong Zhou;Yanhe Xu;Wenlong Zhu;Chaoshun Li.Mechanical Systems and Signal Processing.2015,

[2]

Bearing faults diagnostics based on hybrid LS-SVM and EMD method.[J].Xiaofeng Liu;Lin Bo;Honglin Luo.Measurement.2015,

[3]

A novel signal compression method based on optimal ensemble empirical mode decomposition for bearing vibration signals [J].