集合经验模态与瞬时能量谱：齿轮故障诊断新策略

本文主要探讨了在齿轮故障诊断领域的一种创新方法，即基于集合经验模态（Ensemble Empirical Mode Decomposition, EEMD）及其瞬时能量密度谱的诊断技术。由于齿面故障通常导致的振动信号非常微弱，传统的频谱分析往往难以准确识别出故障特征频率。EEMD作为一种数据驱动的信号分解方法，通过解决经验模态分解中的模态混叠问题，能够有效地提取出信号中的各个经验模态。这些模态包含了齿轮振动的不同成分，如齿轮转速、其倍频分量以及啮合频率和频率调制产生的边频信息。 Hilbert谱分析在此方法中起到了关键作用，它能够揭示出信号的非线性特性，包括瞬时频率的变化。通过对瞬时能量密度谱的分析，研究者可以更加直观地观察到齿轮故障特征，如转速频率、耦合频率和因齿轮缺陷引起的频率成分变化。这种方法在齿轮点蚀等实际故障案例中的应用验证了其有效性，表明即使在信号强度较弱的情况下，通过集合经验模态和瞬时能量密度谱分析，也能显著提高齿轮故障诊断的准确性。 这篇论文介绍了一种结合了EEMD和瞬时能量密度谱分析的故障诊断策略，为解决齿轮故障检测中的难题提供了新的思路和技术手段。这对于提高工业设备的健康监测能力，提前预防和维护具有重要意义，尤其是在高精度和高可靠性的机械系统中。此外，该研究也为其他领域的非平稳信号处理和故障诊断提供了宝贵的经验和参考。