基于能量阈值的EMD与TVAR模型：滚动轴承故障诊断新策略

本文主要探讨了"基于EMD和TVAR模型的滚动轴承故障诊断方法"这一主题，由魏巍和彭涛两位作者在湖南工业大学电气与信息工程学院以及中南大学信息科学与工程学院共同完成。论文的核心焦点在于解决经验模态分解(EMD)过程中固有模态函数(IMF)选择的问题，这是一个关键步骤，因为IMF的正确选择直接影响到信号分析的精度和故障识别的有效性。 传统的EMD方法在分解非平稳信号时可能会遇到IMF混叠问题，导致故障特征的丢失或混淆。作者提出了一种创新的解决方案，即基于能量阀值的自适应筛选方法。这种方法通过设定一个动态阈值，根据信号的能量分布动态地确定哪些IMF分量应该被保留，以此来减少混叠误差并确保提取到的IMF分量具有较高的故障相关性。 筛选出的IMF分量经过信号重构，进一步转化为时变自回归模型(TVAR)中的时间变参数特征。TVAR模型是一种能够捕捉随时间变化的信号特性，特别适合于滚动轴承这类随工作条件变化的故障模式。这些时变参数特征作为输入，被送入支持向量机(SVM)分类器进行智能故障识别。SVM以其强大的非线性分类能力和泛化能力，能够有效地将不同健康状态和故障状态的滚动轴承信号区分开，从而实现准确的运行状态识别。 通过仿真实验，论文验证了所提出的基于能量阀值的IMF选择方法的有效性。实验结果显示，这种方法能够有效地从滚动轴承信号中提取出故障信息，提高了故障诊断的准确性和可靠性。这对于滚动轴承的实际维护和健康管理具有重要的实践意义，有助于提前发现潜在的故障隐患，降低设备损坏的风险，提高生产效率和安全性。 总结来说，这篇论文为滚动轴承故障诊断提供了一种新颖且实用的方法，结合了EMD的分解技术、TVAR模型的时变参数分析和SVM的智能识别，对于提升机械工程领域内的故障预测与诊断技术具有显著的推动作用。