基于EEMD的陶瓷轴承故障双冲击特征提取方法

本文主要探讨了基于总体经验模态分解（Empirical Mode Decomposition，EEMD）的混合陶瓷球轴承故障双冲击特征提取方法。滚动轴承的失效常常由疲劳剥落引起，当滚道出现剥落时，滚动体在进入和退出剥落区域时的振动信号会有显著差异。进入故障区时，信号表现为以较低频率成分为主的阶跃响应，而退出时则会引发频带较宽的脉冲响应。这种特性对于识别和评估轴承的健康状况具有重要意义。 EEMD作为一种数据驱动的时变解析方法，其优势在于能自动适应信号的非线性和非平稳性，适于处理复杂的振动信号。在本文中，研究者首先通过自回归（Autoregressive，AR）模型对原始振动信号进行预白化处理，以减少噪声影响。然后，他们利用EEMD对白化后的信号进行分解，通过分解得到的固有模态函数（Intrinsic Mode Functions，IMFs）来提取信号的不同成分。 在信号处理过程中，结合希尔伯特包络（Hilbert Envelope）提取算法，作者成功地分离出了混合陶瓷球轴承在进入和退出剥落区时的双冲击特征。这种方法有助于区分正常运行和故障状态下的信号，从而可能用于开发早期故障检测系统，提高轴承的可靠性和使用寿命。 通过仿真和实验验证，结果表明基于EEMD的方法能有效地分离并提取混合陶瓷球轴承的故障双冲击特征，为轴承故障诊断提供了有力的工具和技术支持。本文的研究对于提高滚动轴承的维护效率，降低设备故障率，以及深入理解轴承工作过程中的动态行为具有重要的理论和实际价值。关键词包括包络分析、EEMD、混合陶瓷球轴承、双冲击以及轴承故障，反映出文章的核心关注点和研究领域。