EEMD与DT-CWT结合的滚动轴承非稳定故障诊断

"该文主要探讨了一种针对非稳定运行滚动轴承的故障诊断方法，结合了EEMD（Ensemble Empirical Mode Decomposition，集合经验模态分解）和DT-CWT（Discrete Time Wavelet Transform，离散时间小波变换）技术。在煤矿机械领域，滚动轴承的健康状况至关重要，因为轴承的损坏可能导致设备停机，带来经济损失。文章介绍了如何利用阶次跟踪技术将非平稳的振动信号转换为平稳的角域信号，以解决频率模糊和噪声干扰问题。接着，EEMD被用来预处理角域信号，通过互相关和峭度准则选择有效的IMF（Intrinsic Mode Function，内在模态函数）分量。然后，DT-CWT用于对IMF分量进行降噪处理，进一步分析降噪后的角域信号的阶次谱，以提取特征阶比，从而实现微弱故障信息的有效识别。通过实验验证了该方法的有效性，为实际应用提供了理论支持。" 文章详细介绍了滚动轴承故障诊断的重要性和背景，提出了一种新的诊断策略。首先，阶次跟踪技术是处理非平稳信号的关键，它能将振动信号转换成与转速相关的角域信号，使信号变得相对平稳，便于后续分析。这种方法能够解决在变转速工况下频率谱不清晰的问题。 接着，文章引入了EEMD，这是一种分解复杂信号的强大工具，可以将信号分解为多个本征模态函数（IMF）。通过对角域信号进行EEMD分解，可以筛选出与故障模式相关的IMF分量，这一过程结合了互相关和峭度准则，确保了有效特征的选取。 为了进一步消除噪声，研究采用了DT-CWT。离散时间小波变换在信号降噪方面表现出色，它能在不同尺度上分析信号，帮助提取出隐藏在噪声中的故障特征。通过对EEMD得到的IMF分量进行DT-CWT降噪，可以更准确地分析降噪后信号的阶次谱，从而提取出特征阶比，这对于识别微弱的滚动轴承故障非常有帮助。 实验结果证明了该方法在实际滚动轴承故障诊断中的有效性，为非稳定运行条件下的轴承健康监测提供了新途径。这一研究不仅适用于煤矿机械，还对其他依赖滚动轴承的工业设备的故障预防和早期诊断具有借鉴意义。