独立分量分析在货车轴承故障诊断中的应用
快速自适应局部均值分解及轴承故障诊断应用
快速自适应局部均值分解及轴承故障诊断应用【摘要】本文主要介绍了快速自适应局部均值分解（FLMD）及其在轴承故障诊断中的应用。
首先概述了FLMD的原理和方法，然后介绍了轴承故障诊断的常见方法。
接着详细阐述了FLMD在轴承故障诊断中的具体应用，包括实验设计与结果分析以及案例分析。
通过对比实验结果，验证了FLMD在轴承故障诊断中的优势。
最后对未来的研究展望进行了探讨，并对本文所述内容进行了总结。
本研究为轴承故障诊断提供了新的方法和思路，对于提高设备运行安全性和效率具有重要意义。
【关键词】快速自适应局部均值分解、轴承故障诊断、研究、原理、方法、应用、实验、结果分析、案例分析、优势、展望、结论、背景介绍、研究意义、研究目的、结论总结。
1. 引言1.1 背景介绍随着工业生产的发展，轴承作为重要的机械部件，在机械设备中扮演着至关重要的角色。
由于轴承在长期运行过程中受到各种外界因素的影响，轴承故障问题逐渐凸显出来。
轴承故障不仅会导致机械设备的停机维修，还可能引发严重事故，对生产造成严重损失。
本文将介绍快速自适应局部均值分解原理及方法，概述轴承故障诊断方法，探讨快速自适应局部均值分解在轴承故障诊断中的应用，通过实验设计和结果分析验证其有效性，并结合实际案例进行深入分析，最终总结出快速自适应局部均值分解在轴承故障诊断中的优势和未来研究展望。
1.2 研究意义快速自适应局部均值分解（Fast Adaptive Local Mean Decomposition，简称FALMD）是一种新兴的信号处理方法，能够将非平稳信号分解为不同尺度和频率的成分，同时具有自适应性和高效性。
对于轴承故障诊断这一实际问题，传统方法往往存在计算量大、对信号特征提取不准确等问题，而FALMD方法能够较好地克服这些困难，提高轴承故障的诊断准确性和效率。
研究快速自适应局部均值分解在轴承故障诊断中的应用具有重要的理论和实际意义，对于提高轴承故障诊断的准确性、效率和智能化水平具有积极的推动作用。
基于声发射技术的铁路货车滚动轴承故障诊断研究
160AUTO TIMEAUTO AFTERMARKET | 汽车后市场基于声发射技术的铁路货车滚动轴承故障诊断研究1 引言随着铁路货运的不断发展，运输效率和安全性已成为业界的首要关注点。
铁路货车滚动轴承是铁路运输中不可或缺的组成部分，但由于长时间高速工作对其造成的磨损和疲劳，故障率逐渐增高，进而影响到货车的正常运行和安全。
因此，对于铁路货车滚动轴承故障的快速、有效诊断显得尤为必要。
论文通过收集和分析现有文献和实验研究的成果，对该领域进行深入研究，探究基于声发射技术的铁路货车滚动轴承故障诊断方法的优化方向和应用前景。
2 基于声发射技术的铁路货车滚动轴承故障诊断原理滚动轴承是铁路货车重要的机械部件之一，其故障会严重影响铁路线路的安全运营。
因此，准确的诊断滚动轴承故障是保障铁路货运安全的重要手段之一。
基于声发射技术的滚动轴承故障诊断方法具有实时性高、精确度高等优点，因此备受关注。
声发射技术的原理是基于故障源直接产生的高频声波信号，在介质中以声波的形式传输，信号具有传播速度快、穿透力强、信息量大、灵敏度和特征鲜明等优点。
在铁路货车滚动轴承故障诊断中，声发射技术可以准确地捕捉滚动轴承磨损或裂纹等所产生的高频声波信号，并对其进行特征分析，从而诊断轴承是否存在故障。
具体实现过程中，首先需要在货车滚动轴承上安装声发射传感器，并对传感器进行校准和初始化。
然后，通过激励源对轴承进行激励，产生高频声波信号，传感器采集信号并将其传输到主控制系统中。
在主控制系统中，通过特征提取、特征分析等算法对信号进行处理，得出轴承的状态信息，如是否存在裂纹、磨损程度等，并根据一定的规则进行分类和判断。
基于声发射技术的滚动轴承故障诊断方法具有实时性高、精确度高等优点，且不会对轴承结构造成损坏或影响其正常工作。
然而，在实际应用中，该技术仍然存在一些问题和挑战，如噪声干扰、信号处理复杂等难点。
因此，如何解决这些问题和优化技术流程，将是今后的研究重点[1]。
声测法和EMD在轴承故障诊断中的应用
声测法和EMD在轴承故障诊断中的应用摘要：过去几十年来，许多方法和技术被应用于轴承故障的诊断，其中声测法和经验模态分解（EMD）作为非侵入性和高效的技术逐渐受到了广泛关注。
本文首先介绍了轴承故障的类型和影响，以及轴承故障诊断的重要性。
然后详细介绍了声测法和EMD的原理和基本概念，分析了它们在轴承故障诊断中的优势和限制。
接下来，探讨了声测法和EMD的结合在轴承故障诊断中的应用。
关键字：声测法；EMD；轴承故障诊断轴承作为旋转机械中不可或缺的关键元件，其运行状态对机械设备的性能和寿命起着至关重要的作用。
然而，由于工作环境的恶劣以及长期使用引起的磨损和负载变化，轴承常常会发生各种故障，如疲劳裂纹、滚珠损伤、润滑不良等。
这些故障如果不能及时发现和诊断，将导致设备的停机、生产线的中断以及高昂的维修费用。
因此，轴承故障诊断成为了工程领域中的一个重要研究课题。
一、轴承故障诊断概述轴承故障诊断是通过监测和分析轴承运行过程中产生的信号和特征，以确定轴承是否存在故障以及故障的类型和严重程度。
轴承故障会导致设备的停机、性能下降甚至设备损坏，因此准确、及时地进行故障诊断对于预防故障、优化维护计划和提高设备可靠性至关重要。
轴承故障可分为几类，包括疲劳裂纹、滚珠损伤、润滑不良、内圈和外圈的表面损伤等。
每种故障都会在轴承运行中产生独特的信号特征，如振动、声音和温度等。
近年来，随着传感器技术和数据分析算法的发展，机器学习和深度学习等方法也被引入到轴承故障诊断中，提供了更准确和自动化的故障诊断能力。
二、声测法在轴承故障诊断中的应用声测法在轴承故障诊断中被广泛应用，其基本原理是通过采集轴承产生的声音信号来判断轴承的工作状态和故障类型。
声测法具有实时性强、非侵入性和灵敏度高等优点，在轴承故障的早期诊断和预防维护中发挥着重要作用。
声测法的应用主要包括以下几个方面：1. 声音信号分析：通过采集轴承发出的声音信号，对信号进行频谱分析、时域分析和波形分析等，以提取故障特征。
面向轨道车辆传动系统的异常检测方法及其在滚动轴承中的应用
摘要轨道车辆的状态监测数据通常是符合期望行为的海量正常样本，由于其真实故障样本采样代价高昂或采样过程非常困难，使得对异常行为所知甚少，甚至一无所知。
异常样本缺失决定了轨道车辆异常检测无法按照常规方式进行，因此故障数据缺失下的异常检测是轨道车辆安全与可靠性保障面临的难点问题之一。
特征提取和检测模型建立是面向轨道车辆传动系统异常检测中的两个关键技术。
特征提取旨在获取能够有效反映检测对象运行状态的敏感特征，检测模型建立则是利用敏感特征对正常数据的分布进行描述，以上两方面相辅相成共同决定了异常检测方法的性能。
本文针对面向轨道车辆传动系统异常检测方法的关键技术开展研究，主要创新与工作如下：（1）针对筛分过程出现的过筛分和欠筛分问题，提出了局部均值分解的自适应筛分停止准则。
该准则根据乘积函数的理论定义，考虑局部均值（幅值）函数的估计误差，构建关于筛分次数的目标函数，从而实现最优筛分次数的自适应选择。
实验结果表明，该准则能够避免筛分停止准则人为设定阈值的不足，有效抑制了过筛分和欠筛分问题，提高了局部均值分解的效率和准确性。
（2）针对乘积函数中存在虚假分量的问题，提出了基于递归排序的虚假分量识别方法。
该方法利用K-L散度评价各乘积函数与原始信号之间的相似程度，通过递归排序获取各乘积函数的综合K-L散度值，实现虚假分量和敏感分量的识别。
实验结果表明，该方法避免了仅将各乘积函数与原始信号相比较的片面性，能够更为客观合理地评价各乘积函数与原始信号成分的相似性，提高了虚假分量识别的准确率。
（3）针对模型建立过程中出现的过拟合和欠拟合问题，提出了基于核矩阵统计量的支持向量数据描述参数选择方法。
该方法通过分析核矩阵元素的分散性与支持向量数据描述模型拟合程度的内在联系，利用核矩阵统计量构造表征模型拟合程度的目标函数，进而实现支持向量数据描述的参数选择。
实验结果表明，该方法避免传统参数选择中的模型迭代训练过程，大幅提高了参数选择过程的计算效率，改善了支持向量数据描述模型的过拟合和欠拟合问题。
铁路货车滚动轴承故障诊断方法研究
铁路货车滚动轴承故障诊断方法研究1. 引言1.1 研究背景铁路货车是运输重要货物和物资的重要交通工具，其运行安全和效率对经济和社会发展至关重要。
在铁路货车的各个部件中，滚动轴承是承载货车重量和减少摩擦的关键部件之一。
由于长时间运行和大负荷工况的影响，滚动轴承容易出现故障，如磨损、疲劳、错位等，导致铁路货车运行中断，甚至发生事故。
对铁路货车滚动轴承的故障诊断方法进行研究具有极其重要的意义。
通过有效的故障诊断方法，可以及时发现和修复轴承故障，提高铁路货车的运行安全性和可靠性，减少事故发生的可能性。
目前，传统的故障诊断方法在一定程度上已经满足了实际需求，但受限于技术和方法的局限性，依然存在着一些不足之处。
本文旨在探讨基于机器学习、振动信号以及声音信号等先进技术的故障诊断方法，以提高铁路货车滚动轴承故障诊断的准确性和效率，为铁路货车运行安全提供更有力的保障。
1.2 研究目的铁路货车滚动轴承是铁路货运系统中非常重要的零部件，其运行状态直接影响到列车的安全性和运行效率。
由于铁路货车运行环境的复杂性和轴承自身的特点，滚动轴承故障的诊断一直是一个具有挑战性的问题。
本研究的目的在于通过对铁路货车滚动轴承故障诊断方法的研究，提高轴承故障的准确率和效率，从而保证铁路货车的安全运行。
具体来说，研究目的包括：1. 分析铁路货车滚动轴承故障的特点，探讨不同类型故障的表现形式和影响程度，为后续的诊断方法提供依据；2. 分析传统的滚动轴承故障诊断方法的优缺点，总结经验并指出存在的问题；3. 探讨基于机器学习的故障诊断方法在铁路货车滚动轴承故障诊断中的应用前景；4. 研究基于振动信号和声音信号的故障诊断方法，探讨其在铁路货车滚动轴承故障诊断中的可行性和有效性。
1.3 研究意义铁路货车滚动轴承是保障铁路列车正常运行的重要部件，其运行状态直接关系到列车的安全和稳定性。
对铁路货车滚动轴承的故障诊断方法进行研究具有重要的意义。
研究铁路货车滚动轴承故障诊断方法可以提高铁路货车的运行效率和安全性。
基于短时傅里叶变换和独立分量分析的滚动轴承包络分析
基于短时傅里叶变换和独立分量分析的滚动轴承包络分析唐先广;郭瑜;丁彦春;郑华文【期刊名称】《机械强度》【年(卷),期】2012(34)1【摘要】滚动轴承的早期故障信号能量小,频带分布广泛;而传统包络谱分析技术直接在强干扰影响下对滚动轴承的故障特征提取经常失效。
提出一种基于短时傅里叶变换(short time Fourier transform,STFT)的能量谱和独立分量分析(independent component analysis,ICA)的抗干扰滚动轴承包络分析新方法。
该方法首先对获取的滚动轴承振动信号进行STFT能量谱分析,获取信号采样频带下的能量分布,采用带通滤波器获得高频带能量信号,并提取该包络波形,再通过ICA实现包络波形按源分离去噪,最后通过比较各独立分量的包络频谱与滚动轴承理论计算故障特征频率的匹配性,实现滚动轴承故障的精确诊断。
仿真数据和试验验证该方法的可行性。
【总页数】5页(P1-5)【关键词】短时傅里叶变换;独立分量分析;包络谱分析;滚动轴承;故障诊断【作者】唐先广;郭瑜;丁彦春;郑华文【作者单位】昆明理工大学机电工程学院【正文语种】中文【中图分类】TH133.33;TH165.3【相关文献】1.基于独立分量分析与包络阶比分析的齿轮箱多振源特征提取 [J], 李斌;郭瑜;刘亭伟;郑华文2.基于改进形态分量分析的滚动轴承包络分析方法 [J], 严斌;韦尧兵;剡昌锋;吴旭东3.独立分量分析在滚动轴承包络分析中的应用 [J], 唐先广;郭瑜;丁彦春;郑华文4.基于全矢谱时间固有尺度分解和独立分量分析盲源分离降噪的滚动轴承故障特征提取 [J], 刘嘉辉;董辛旻;李剑飞5.基于滑动窗独立分量分析的在线包络检测新方法及其在脑-机接口中的应用 [J], 吴小培;宋俊可;郭晓静;巩笑晓因版权原因，仅展示原文概要，查看原文内容请购买。
车辆检测技术——货车滚动轴承早期故障轨边声学诊断系统
车辆检测技术——货车滚动轴承早期故障轨边声学诊断系统第十二章货车滚动轴承早期故障轨边声学诊断系统货车滚动轴承早期故障轨边声学诊断系统(TADS)是铁路车辆安全防范预警系统的重要组成部分，是保证铁路运输安全，防止列车脱线，车辆切轴的重大技术装备设备。
系统采用声学技术和计算机技术，对运行列车滚动轴承裂缝、破损等故障进行在线、早期诊断预报，确保行车安全。
目前，中国铁路运营里程近7万多公里，货车近60万辆，干线运行的几乎都是滚动轴承车辆。
滚动轴承出现故障到轴承发热有一个过程。
但轴承发热到热切非常快。
红外线轴温监测系统采用的是红外辐射原理,只有轴承发热才能探测到。
而滚动轴承早期故障轨边声学系统是车辆轴承还没有热轴时，就能诊断出故障，做到轴承故障早期发现，早期预报。
将车辆轴承故障的防范关口比红外线提前一个阶段。
该系统与红外轴温监测系统结合，可对低温热轴进行预报，大大提高热轴预报的准确率和兑现率，对运输安全提供可靠保障第一节货车滚动轴承早期故障轨边声学诊断系统介绍一系统的工作原理1 滚动轴承在运转中的振动、声音信号的分析滚动轴承主要由内圈、外圈及滚动体组成。
滚动轴承在旋转时必然会发生振动，这种振动是由几种振动合成的，它主要与轴承转动体的固有振动和轴的振动等有关。
在轴承无故障时，轴承在旋转时表现出来的振动主要是由转动面的光洁度和波纹度引起的;在轴承发生故障时，转动面劣化，转动体通过损伤部分时，由于冲击现象而发生极快速的冲击振动。
我们通过检测这样的振动声音信号，便可进行针对故障的滚动轴承的早期诊断。
滚动轴承具有以外圈的弯曲固有振动为代表的几种固有振动。
它与内圈滚动面的凹凸不平有关联的轴承振动频率一起构成了滚动轴承的固有振动频谱，在轴承运转过程中，存在以下振动:(1)由表面粗糙引起的振动。
滚动轴承的滚动面镜面一样，虽然存在着形位公差和微小的不规则的凹凸不平，轴承在转动时，由于内外圈与滚动体的弹性接触及凹凸不平的相应微小交替变化产生振动，但其振动声音的振幅是很小的。
货车滚动轴承早期故障轨边声学诊断系统的应用与管理
数据 、 用 中报警 轴 承检 查及 处理 情况 的反馈 数 据 与 车 运
辆检 修 及轴 承装 用 相 结 合 ， 以通 过 科 学 分 析 方 法 ， 可 对 不 同类 型 、 同生产 厂家 的轴 承运 用状 态 及质 量 进 行评 不 价， 为铁 路 车辆 制造 、 承生产 提供 科 学合理 的依 据 。 轴
王 德 明 （ ９４ ） ， 宁 绥 中 人 ， 级 工 程 师 （ 回 日期 ：ｏ ２ ５ １ ） １ ７一 男 辽 高 修 ２ １ —０ — １
第 ４期
货 车 滚 动 轴 承 早 期 故 障 轨边 声 学 诊 断 系 统 的 应 用 与 管 理
的数 量分 别 为 ３ ４ ２ ９和 ２ １个 。有 的轴 承 故 障 已 经 ３ ，８ ８
货 车滚 动 轴 承 早期 故 障轨 边声 学 诊 断 系统 的应 用 与 管理
王德 明 ，肖井 波。
（ 沈 阳铁 路 局 车 辆 处 ，辽 宁 沈 阳 １ ０ ０ ； １ １０ １
２ 沈 阳铁 路 局 车 辆 检 测 所 ，辽 宁 沈 阳 １ ０ ０ ） １ ０ １
摘
要
针 对 我 国铁 路 车 辆 部 门 的 安 全 检 测 设 备 Ｔ Ｓ的应 用 与 管 理 办法 、 程 进 行 了介 绍 ， 给 出 了 该 软 件 系 ＡＤ 流 并
车 辆 轴 承 的 运 行 状 态 、 障 数 据 。为 车 轴 检 修 由 定 期 修 故 到状态 修 、 行 公 里修 提供 可靠 的技 术手 段 。 走
位 进行 检查 确认 ； 现场 检车工 长要 对 现场 检 车员认 定 无
故 障轴位 进行 复核 。
时频分析方法在轴承故障诊断领域的应用
第42卷第3期2023年5月大连工业大学学报J o u r n a l o fD a l i a nP o l y t e c h n i cU n i v e r s i t yV o l.42N o.3M a y2023收稿日期:2022-05-05.基金项目:河南省高等学校重点科研项目(21B460005).作者简介:刘艳秋(1971-),女,教授.D O I:10.19670/j.c n k i.d l g y d x x b.2023.0311时频分析方法在轴承故障诊断领域的应用刘艳秋1,景来兴1,边军2(1.大连工业大学机械工程与自动化学院,辽宁大连116034;2.中原科技学院,河南郑州450046)摘要:现代信号处理技术在数字信息时代具有巨大的发展潜力,其中时频分析方法发展较快,应用广泛㊂基于小波理论的小波变换㊁小波包分解,再到经验模态分解(E M D)㊁局部均值分解(L M D)㊁本征时间尺度分解(I T D)㊁局部特征尺度分解(L C D)㊁内禀特征尺度分解(I C D)㊁变分模态分解(VM D)等自适应分解方法,先后提出时频分析取得了前所未有的发展㊂本文从方法的提出㊁应用和改进三个方面对近年来时频分析方法的研究进行了总结,对时频分析方法今后的发展方向进行了展望㊂关键词:滚动轴承;时频分析;小波理论;自适应分解;故障诊断中图分类号:T H133文献标志码:A文章编号:1674-1404(2023)03-0219-07A p p l i c a t i o no f t i m e-f r e q u e n c y a n a l y s i sm e t h o d i nb e a r i n g f a u l t d i a g n o s i sL I U Y a n q i u1,J I N G L a i x i n g1,B I A N J u n2(1.S c h o o l o fM e c h a n i c a l E n g i n e e r i n g a n dA u t o m a t i o n,D a l i a nP o l y t e c h n i cU n i v e r s i t y,D a l i a n116034,C h i n a;2.Z h o n g y u a n I n s t i t u t eo f S c i e n c ea n dT e c h n o l o g y,Z h e n g z h o u450046,C h i n a)A b s t r a c t:M o d e r n s i g n a l p r o c e s s i n g t e c h n o l o g y s h o w s g r e a td e v e l o p m e n t p o t e n t i a li nt h e d i g i t a l i n f o r m a t i o na g e,a m o n g w h i c ht i m e-f r e q u e n c y a n a l y s i s m e t h o dd e v e l o p s m o r er a p i d l y a n di sw i d e l y u s e d.F r o m w a v e l e tt r a n s f o r m a n d w a v e l e t p a c k e t d e c o m p o s i t i o n b a s e d o n w a v e l e tt h e o r y,t o e m p i r i c a l m o d e d e c o m p o s i t i o n(E M D),l o c a l m e a n d e c o m p o s i t i o n(L M D),i n t r i n s i c t i m e s c a l e d e c o m p o s i t i o n(I T D),l o c a l c h a r a c t e r-s c a l e d e c o m p o s i t i o n(L C D),i n t r i n s i c c h a r a c t e r-s c a l e d e c o m p o s i t i o n(I C D),v a r i a t i o n a l m o d e d e c o m p o s i t i o n(VM D)a n d o t h e ra d a p t i v e d e c o m p o s i t i o n m e t h o d sh a v e b e e n p r o p o s e d,T i m e-f r e q u e n c y a n a l y s i s h a sa c h i e v e d u n p r e c e d e n t e d d e v e l o p m e n t.B a s e do n t h er e s e a r c ho f t i m e-f r e q u e n c y a n a l y s i sm e t h o d s i nr e c e n t y e a r s,t h e p r o p o s a l,a p p l i c a t i o n a n di m p r o v e m e n t o ft h e m e t h o d s w e r e s u m m a r i z e d,a n d t h e f u t u r e d e v e l o p m e n t d i r e c t i o n o f t i m e-f r e q u e n c y a n a l y s i sm e t h o dw a s p r o s p e c t e d.K e y w o r d s:r o l l i n g b e a r i n g;t i m e-f r e q u e n c y a n a l y s i s;w a v e l e t t h e o r y;a d a p t i v ed e c o m p o s i t i o n;f a u l td i a g n o s i s0引言在旋转机械中,70%的故障与齿轮㊁轴承㊁转子等组件直接有关,其中有30%的故障是由滚动轴承组件引起的[1]㊂轴承故障使机器设备产生过大的振动,从而使机器设备遭受损坏并引发安全事故,造成不可估量的经济损失㊂是否能够准确Copyright©博看网. All Rights Reserved.识别轴承故障类型,特别是能够辨识早期微小故障并及时采取补救措施,对提高设备的使用寿命和安全性具有重要意义,轴承故障诊断成为机械故障研究的重点㊂传统的时域㊁频域分析方法所蕴含的故障信息有限,并且对故障根源的分析和识别的准确性较低,因此不适用早期㊁微小的轴承故障诊断㊂时频分析方法可以将频率和时间结合起来,得到信号频率在各个时间段内的变化情况,从而描述局部故障特征信号,因此在轴承信号的处理中得到了广泛的应用㊂本研究主要介绍了常见的时频分析方法的种类以及这些方法的应用和改进,总结了时频分析方法的不足,对时频分析方法今后进一步的扩展应用及发展进行了展望㊂1常见的时频分析方法常见的时频分析方法主要包括小波变换(w a v e l e t t r a n s f o r m,WT)[2]㊁小波包分解(w a v e-l e t p a c k e t d e c o m p o s i t i o n,W P D)[3]等非自适应分解方法,以及经验模态分解(e m p i r i c a lm o d ed e-c o m p o s i t i o n,E M D)[4]等自适应分解方法㊂在时频分析中㊁W i g n e r-V i l l e分布和短时傅立叶变换方法也经常被使用,但两者在轴承故障诊断中还存在一些不足㊂其中,短时傅立叶变换对于频率分辨率和时间分辨率的精度要求不能同时满足㊂而W i g n e r-V i l l e分布在处理多分量耦合信号时,存在交叉项的干扰,导致时频平面上出现伪影现象,并且W i g n e r-V i l l e分布处理结果在很大程度上会依赖于核函数的选择㊂因此,本研究主要对在轴承故障诊断领域应用最广泛㊁最成熟的小波分析理论和自适应分解理论的时频分析方法发展进行梳理和归纳㊂1.1小波分析理论小波分析理论最早由法国工程师J.M o r l e t 提出,作为数学发展领域的里程碑,该理论在信号处理领域应用十分广泛,尤其是在信号降噪㊁时频分析和滤波等过程中,相对于傅立叶变换更加有优势㊂小波分析理论在轴承故障诊断领域的应用主要包括小波变换和小波包分解两种方法㊂1.1.1小波变换小波变换作为一种多尺度分析工具,继承并完善了短时傅立叶变换的思想,通过借助小波运算函数中平移和伸缩的功能提出的可调窗口,可对原始信息中局部故障信号进行多分辨率的细化分析㊂因此,该方法不但解决了短时傅立叶变换在时间分辨率和频率分辨率上的精度要求,而且具有极强的抗噪能力,广泛应用于处理信噪比较高的轴承振动信号㊂1.1.2小波包分解小波分解只对低频段的频率进行细化分析,而忽视了对高频段频率问题,小波包分解在小波分解的基础上,对高频段的频率也进行了细化分析,并且可以自适应地选取最佳基函数,因此获取的故障信息更完整㊁更准确㊂1.2自适应分解理论当面对高度复杂的非平稳㊁非线性信号时,自适应分解理论具有高度的自适应性,不但不需要任何先前经验和信号表示方式,而且还可以自适应地突出信号局部特征㊂目前,应用在轴承故障诊断领域的自适应方法主要包括经验模态分解㊁局部均值分解㊁本征时间尺度分解㊁局部特征尺度分解㊁内禀特征尺度分解㊁变分模态分解等6种方法㊂1.2.1经验模态分解1998年,N o r d e nE.H u a n g提出了E M D方法,并且与H i l b e r t变换相结合,形成了著名的H i l b e r t-H u a n g变换㊂该方法不需要提前设置基函数,通过对数据本身进行分解,得到蕴含故障信息的本征模态分量(i n t r i n s i cs c a l ec o m p o n e n t, I M F),因此可以自适应分解轴承故障中非线性㊁非平稳的信号㊂1.2.2局部均值分解2005年,S m i t h[5]提出了局部均值分解(l o c a l m e a nd e c o m p o s i t i o n,L M D),该方法在收敛速度㊁信号处理完整性㊁计算效率㊁迭代次数㊁分解精度方面有着更好的优势,并且可以有效抑制过包络㊁欠包络现象的发生㊂1.2.3本征时间尺度分解2007年,F r e i等[6]提出了本征时间尺度分解(i n t r i n s i ct i m e-s c a l ed e c o m p o s i t i o n,I T D),该方法可以有效地抑制端点效应的产生,在分解效率和计算复杂度等方面都有明显的优势,能够有效避免包络误差,适合在线使用,并且有效克服包络和欠包络的弊端㊂1.2.4局部特征尺度分解2012年,程军圣等[7]在充分借鉴E M D㊁I T D 的基础上提出了局部特征尺度分解(l o c a l c h a r a c-t e r i s t i c-s c a l ed e c o m p o s i t i o n,L C D),该方法凭借其优越的算法性能成功避免了包络误差㊁分量失真和端点效应等问题,并且在迭代次数㊁运算流022大连工业大学学报第42卷Copyright©博看网. All Rights Reserved.程上更加简化,可以快速提取出非平稳㊁非线性复杂信号的特征,其分解得到的内禀尺度分量(i n t r i n s i c s c a l e c o m p o n e n t,I S C)可以蕴含更多的故障信息㊂1.2.5内禀特征尺度分解2013年,Z h e n g等[8]借鉴了L M D和I T D的思想,在此基础上提出了内禀特征尺度分解(i n-t r i n s i c c h a r a c t e r-s c a l e d e c o m p o s i t i o n,I C D),并成功将其应用于滚动轴承早期振动信号的分解中,实验证明该方法能够同时结合L M D和I T D两种方法的优点,在提高分解精度的同时提高了计算效率㊂1.2.6变分模态分解2014年,D r a g o m i r e t s k i y等[9]提出了变分模态分解(v a r i a t i o n a lm o d ed e c o m p o s i t i o n,VM D)这一非递归信号分析方法㊂与传统方法相比, VM D可以自适应确定模态分解的个数,数学理论基础更完整,在收敛速度和分解精度方面更优,因此面对轴承故障信号时具有较强的处理能力㊂2时频分析方法的应用与改进时频分析方法在处理非线性㊁非稳定的复杂信号时表现出了强大的能力,非常适合处理轴承的故障信号㊂在其基础上,学者们提出了许多结合与改进方法应用在轴承故障的诊断中㊂2.1小波变换的应用与改进袁建虎等[10]选用连续小波变换(c o n t i n u o u s WT,C WT)获取了轴承故障信号分解的时频图,并与卷积神经网络相结合进行故障诊断,结果表明该方法在故障类型识别上具有较强的泛化能力㊂姜保军等[11]利用小波分解获取信号的样本熵来提取故障特征信息,结果显示该方法可以有效区分出不同类别的样本㊂孙强等[12]基于小波分解改进算法和峭度最大原则对滚动轴承故障诊断进行研究,克服了主频偏移的问题,有效地解决了频率折叠现象和真实频率的映像问题㊂在小波理论基础上,G i l l e s[13]提出了具有完备数学理论的经验小波分解(e m p i r i c a lw a v e l e t d e c o m p o s i t i o n,EWD)方法,通过构建自适应小波函数,提取出不同频率成分,分解结果相对于传统的小波分解更加稳定㊂李志农等[14]将经验小波分解应用在轴承故障诊断中,验证了E WD方法能有效地诊断出轴承故障损伤程度,可以清晰地表示出故障信号的时变特征㊂王大鹏等[15]提出了一种多层经验小波变换(m u l t i-l a y e re m p i r i c a l w a v e l e t t r a n s f o r m,M L E WT)与多指标交叉融合的列车轮对轴承故障诊断研究,通过实验证明了所提方法可以有效提取轴承故障特征信息,诊断效果要优于传统的谱峭度和E WD方法㊂为降低人为因素的影响,左大利[16]提出自适应经验小波分解(a d a p t i v eE WD,A E WD)与深层网络结合的轴承运行工况的识别方法,A E WD利用了改进的经验小波分解频谱分割方法,该方法可以对故障信号进行自适应分解,不需要预先设定小波基函数,因此在工况识别上的准确率更高㊂2.2小波包分解的应用与改进朱兴统[17]结合小波包分解㊁样本熵和K最近邻算法对轴承故障进行诊断,准确率可达到95%㊂刘颖等[18]通过小波包分解后求取子带信号的能量获得小波包能量,与C N N相结合对轴承故障进行诊断,提高了故障识别的速度㊁准确性和稳定性㊂针对在处理低信噪比信号时带内噪声较大的问题,陈慧等[19]通过小波包分解结合权重包络谱,不但降低了噪声的干扰,而且还增强了隐藏在噪声背后的冲击故障特征㊂B a y r a m等[20]提出并应用了双树复小波包变换(d u a l-t r e ec o m-p l e x w a v e l e t p a c k e tt r a n s f o r m,D T-C W P T)方法,借助其近似平移不变性的优点,解决了故障信息丢失的问题㊂谷穗等[21]将D T-C W P T与自适应排列熵相结合应用在轴承故障诊断中,解决了对原始信号的过分解和欠分解问题㊂2.3经验模态分解的应用与改进吴龙[22]利用E M D对轴承振动信号进行分解,计算本征模函数(i n t r i n s i c m o d ef u n c t i o n, I M F)分量的多特征熵,结果表明该方法可有效地对故障类型进行识别和判断㊂在E M D原理的基础上,W u等[23]提出总体集合经验模态分解(e n-s e m b l eE M D,E E M D)这一改进方法,该方法可以有效抑制E M D产生的模态分量混叠影响㊂在此基础上发展起来的互补集成经验模态分解(c o m-p l e m e n t a r y E E M D,C E E M D)不但消除了模态混淆的影响,还大大提高了计算效率和分解效果[24-25]㊂基于此,Y u a n等[26]提出了集成噪声重构经验模态分解(e n s e m b l en o i s e-r e c o n s t r u c t e d E M D,E N E M D),用来解决E E M D方法造成的噪声残留现象㊂对于E M D㊁E E M D的重要参数多数情况下都需要人为经验来设定的问题,雷亚国等[27]提出了自适应总体平均经验模式分解(a d a p t i v e p o p u l a t i o n m e a nE M D,A P M E M D)方122第3期刘艳秋等:时频分析方法在轴承故障诊断领域的应用Copyright©博看网. All Rights Reserved.法,该方法通过自适应选取I M F筛选次数和改变加入噪声的幅值来抑制模态分量混叠的影响㊂T o r r e s等[28]借助E E M D算法的原理提出了自适应噪声完备总体经验模态分解(c o m p l e t eE E M D w i t ha d a p t i v en o i s e,C E E M D A N),其优势体现在可以自适应选择I M F分量的数量,提高E M D的完备性,因此大大提高了故障诊断的准确率㊂2.4局部均值分解的应用与改进王建国等[29]利用总体局部均值分解(e n s e m-b l eL M D,E L M D)的思想,通过最优噪声参数筛选出的最优幅值,将L M D的分解性能提升到了最理想的状态㊂在E L M D的基础上,邓佳敏等[30]提出了集成噪声重构局部均值分解(e n s e m-b l en o i s e-r e c o n s t r u c t e dL M D,E N L M D)的方法,该方法不但不需要添加白噪声,而且其分解结果显示可有效改善端点效应和模态混叠等弊端㊂Z h a o等[31]提出了一种复合包络构造的局部均值分解(c o m p o u n di n t e r p o l a t i o n e n v e l o p e L M D, C I E L M D),为提高故障特征提取的精度,该方法借助了非平稳系数来评估信号的局部非平稳性㊂虽然L M D的端点效应相比于E M D要小得多,但在处理过程中仍然存在,因此张亢等[32]提出了自适应波形匹配延拓方法,该方法充分考虑了其趋势与规律,并通过对内部的子波形信号进行延拓来处理产生的端点效应㊂2.5本征时间尺度分解的应用与改进肖洁等[33]提出了线性局部切空间排列(l i n e-a r l o c a l t a n g e n t s p a c e a l i g n m e n t,L L T S A)与I T D 结合的轴承故障诊断方法,对于轴承特征提取中常存在的高维特征问题,该方法能够有效减少其所产生的冗余㊂I T D方法总体来说减少了复杂的筛选和样条插值过程,可直接根据结果得到瞬时频率和相位,并且与其他降噪方法相结合更具优越性,适合在线应用㊂为解决I T D方法分解信号产生的波形失真问题,郑近德等[34]提出了改进的本征时间尺度分解(i m p r o v e dI T D,I I T D)方法,同时与模糊熵和S VM方法结合应用在轴承的故障诊断中㊂钟先友等[35]提出了改进的B样条本征时间尺度分解(B-s p l i n e I T D,B I T D)方法,并通过实验证明了该方法在解决波形失真问题上的有效性㊂针对分解后P R分量的波形幅值发生局部波动现象这一缺陷,向玲等[36]融合3次样条插值和I T D中的线性变换法,提出一种集成本征时间尺度分解(e n s e m b l e I T D,E I T D)和谱峭度相结合的轴承故障诊断方法,该方法能有效抑制边界飞翼现象,克服了P R分量的局部波动缺陷㊂2.6局部特征尺度分解的应用与改进针对早期微小故障特征频率难以提取的问题,余忠潇等[37]提出了L C D和最大相关峭度反卷积相结合的方式,并通过实验证明了该方法的可行性㊂为提高L C D分解精度,郑近德[38]提出了L C D的改进方法(i m p r o v e dL C D,I L C D),该方法采用多项分段式取代原有的曲线㊁直线连接相邻极值问题,在分解效果上与真实值更接近,绝对误差也更小;提出了广义的局部特征尺度分解(g e n e r a l i z e dL C D,G L C D),该方法在分解能力㊁分解精确度㊁正交性上更优;针对L C D出现的模态混叠现象,借鉴C E E M D A N原理,提出了完备总体平均局部特征尺度分解(c o m p l e t ee n s e m b l e L C D,C E L C D)方法,通过实验证明该方法可有效抑制模态混叠现象㊂对于L C D均值曲线的改进,吴占涛[39]提出了运用拉格朗日插值的局部特征尺度分解(l a-g r a n g e i n t e r p o l a t i o nb a s e d L C D,L I L C D)方法,解决了线性插值失真的问题;通过借助微分算子,提出了优化的局部特征尺度分解(d i f f e r e n t i a l o p-e r a t o r b a s e dL C D,D O L C D),该方法可有效提高其分解能力和抑制模态混叠的能力;为弥补噪声辅助的L C D缺乏自适应性的问题,提出了致密局部特征尺度分解(c o m p a c tL C D,C L C D),通过实验证明该方法可有效地抑制模态混叠;为实现真正的自适应分解,提出了自适应特征尺度分解(a d a p t i v e c h a r a c t e r i s t i c-s c a l ed e c o m p o s i t i o n,A C D),该方法不但可以提高分解结果分量的正交性和精确性,而且不需要预设置运行参数㊂2.7内禀特征尺度分解法的应用李永波[40]将内禀特征尺度分解与共振稀疏分解进行结合,应用在轴承早期故障的诊断中㊂通过与L M D㊁E M D处理结果的对比可知,内禀特征尺度分解不但能提高分解精度,而且具有较高的分解效率㊂2.8变分模态分解的应用与改进M o h a n t等[41]运用VM D方法处理非平稳且复杂度高的轴承振动信号,获取了早期微小的轴承故障特征信息㊂唐贵基等[42]通过对轴承振动信号特性及故障机理进行分析,选择合适的VM D参数,提取了反映轴承故障模式的特征频率,解决了模态分量混叠与端点效应等问题㊂在VM D算法中,分解层数K和惩罚α对其分解效果起着重要的作用,K设置过小,故障特222大连工业大学学报第42卷Copyright©博看网. All Rights Reserved.征难以被发现;K设置过大,分解易出现频率混叠的现象㊂王双海等[43]借助多岛遗传算法(m u l t i-i s l a n d g e n e t i c a l g o r i t h m,M I G A)对VM D参数中的K和α进行优化,提高了轴承故障诊断的准确性㊂尹逊龙等[44]利用麻雀算法(s p a r r o w s e a r c ha l g o r i t h m,S S A)对VM D算法进行优化,验证了该方法可有效剔除振动信号的噪声,增强信号表达特征的能力㊂应用于轴承故障诊断领域的VM D参数优化算法还包括鲸鱼优化算法[45]㊁模拟退火算法和遗传算法[46]㊁蝙蝠算法[47]㊁灰狼算法[48]㊁樽海鞘群优化算法[49]㊁天牛须搜索算法[50]㊁粒子群优化算法[42]等㊂针对最佳本征模态分量个数问题,金志浩等[51]提出了自适应变分模态分解(a d a p t i v e VM D,A VM D),借助自适应阈值与频谱极值点来确定本征模态分量的最佳个数㊂基于小波分析理论和自适应时频分析理论的方法通常与各种神经网络㊁降噪㊁熵值以及非线性降维等方法相结合进行轴承故障诊断,并且随着越来越多改进方法的提出,其准确性和泛化能力也越来越高㊂3时频分析方法的不足虽然时频分析方法在信号处理领域成果显著,但是,针对轴承故障信号的分析结果还是存在一些不足之处㊂用于滚动轴承故障诊断领域的时频分析方法的优缺点见表1㊂表1时频分析方法的优缺点T a b.1 A d v a n t a g e s a n dd i s a d v a n t a g e s o f t i m e-f r e q u e n c y a n a l y s i sm e t h o d s处理方法优点缺点短时傅立叶变换没有交叉项信号的干扰不能同时满足时间和频率在分辨率上的要求W i g n e r-V i l l e分布具有较好的信号时频聚集度存在交叉项信号干扰小波变换可提取出不同频带上的能量特征对频段进行划分需要设定基函数小波包分解可自适应地选取最佳基函数需要选择小波基和分解层数经验模态分解可自适应分析非线性㊁非平稳信号模态分量混叠㊁处理时间长局部均值分解收敛速度快㊁分解精度高存在端点效应本征时间尺度分解可有效抑制端点效应分解结果易产生毛刺㊁失真局部特征尺度分解迭代次数少,运算流程简单存在模态分量混叠内禀特征尺度分解分解精度㊁分解效率高变分模态分解可自适应确定模态分解的个数不确定分解模态个数和惩罚参数针对传统的时频分析方法存在的不足,专家学者们在其基础上又提出了许多时频分析的变体方法㊂应用于轴承故障诊断领域的变体方法优势见表2㊂表2时频分析变体方法的优势T a b.2 A d v a n t a g e s o f t i m e-f r e q u e n c y a n a l y s i s v a r i a n t m e t h o d s时频分析变体方法优势自适应经验小波分解不需要预先设定小波基函数双树复小波包变换具有近似平移不变性总体集合经验模态分解有效抑制模态分量混叠集成噪声重构的局部均值分解改善端点效应与模态分量混叠致密局部特征尺度分解有效抑制模态分量混叠B样条本征时间尺度分解解决波形失真问题自适应变分模态分解可确定出最佳本征模态分量的个数时频分析的变体方法解决了传统方法中存在的不足,为时频分析在轴承故障诊断领域的进一步发展提供了有力的支持㊂4总结与展望本研究对8种常见方法的优缺点进行了总结,为时频分析方法在轴承故障诊断领域的研究可提供参考㊂时频分析的发展呈现如下趋势:融合发展:时频分析在信号处理领域发展迅速,方法众多㊂尤其在轴承故障诊断的应用中,时频分析方法通过与特征选取㊁特征降维㊁优化算法㊁神经网络等方法相结合,取得了出色的诊断结果㊂因此在未来的发展中,更要充分利用融合技术,结合各方法的优势应用在轴承故障诊断中,获得更优的诊断结果㊂智能发展:信息处理中常存在人为因素的干322第3期刘艳秋等:时频分析方法在轴承故障诊断领域的应用Copyright©博看网. All Rights Reserved.扰,导致信息处理结果的完整性和准确性降低㊂自适应分解方法与参数优化算法相结合,实现了自适应参数的选取,达到了智能化的控制和操作,因此未来的信息处理过程将朝着更加智能化的方向发展,减少人为因素的影响㊂多元发展:针对信息处理技术应用中存在的问题进行及时研究和妥善解决,使得信息处理技术向着效率高㊁结果优㊁适应能力强㊁处理过程更可控等多元化的方向发展㊂创新发展:随着故障诊断领域受到越来越多的重视,研究者们提出了许多具有创新性的时频分析方法,这些方法有的是在前人理论基础上进行的改进,有的是提出了新的理论㊂无论何种方式都是在促进信号处理技术的发展,以达到提高信号处理能力和解决现存问题的目的㊂参考文献:[1]陈进.机械设备振动监测与故障诊断[M].上海:上海交通大学出版社,1999.[2]P E N GZ K,T S E P W,C HU F L.A c o m p a r i s o n s t u d y o f i m p r o v e d H i l b e r t-H u a n g t r a n s f o r m a n d w a v e l e t t r a n s f o r m:a p p l i c a t i o nt of a u l td i a g n o s i sf o r r o l l i n g b e a r i n g[J].M e c h a n i c a lS y s t e m sa n d S i g n a l P r o c e s s i n g,2005,19(5):974-988.[3]吴延军,赵艳,吕维雪.小波包分解及其参数模型[J].应用声学,1998(3):25-29.[4]HU A N GNE,S H E NZ,L O N GSR,e t a l.T h e e m-p i r i c a lm o d ed e c o m p o s i t i o na n dt h eh i l b e r ts p e c t r u m f o rn o n l i n e a ra n dn o n-s t a t i o n a r y t i m es e r i e sa n a l y s i s [J].P r o c e e d i n g s o f t h eR o y a l S o c i e t y o f L o n d o n.S e-r i e sA:M a t h e m a t i c a l,P h y s i c a l a n dE n g i n e e r i n g S c i-e n c e s,1998,454(1971):903-995.[5]S M I T H JS.T h el o c a lm e a nd e c o m p o s i t i o na n di t sa p p l i c a t i o n t oE E G p e r c e p t i o nd a t a[J].J o u r n a l o f t h e R o y a l S o c i e t y I n t e r f a c e,2005,2(5):443-454. [6]F R E IM G,O S O R I OI.I n t r i n s i c t i m e-s c a l e d e c o m p o-s i t i o n:t i m e-f r e q u e n c y-e n e r g y a n a l y s i sa n dr e a l-t i m e f i l t e r i n g o fn o n-s t a t i o n a r y s i g n a l s[J].P r o c e e d i n g so f t h eR o y a lS o c i e t y o fL o n d o n.S e r i e sA:M a t h e m a t i-c a l,P h y s i c a la n d E n g i n e e r i n g S c i e n c e s,2007,463 (2078):321-342.[7]程军圣,郑近德,杨宇.一种新的非平稳信号分析方法 局部特征尺度分解法[J].振动工程学报, 2012,25(2):215-220.[8]Z H E N GJ D,C H E N G JS,Y A N G Y.A r o l l i n gb e a r i n g f a u l td i a g n o s i sa p p r o ac hb a s e do n L C D a nd f u z z ye n t r o p y[J].M e c h a n i s ma n d M a c h i n eT h e o r y,2013,70:441-453.[9]D R A G OM I R E T S K I Y K,Z O S S O D.V a r i a t i o n a l m o d e d e c o m p o s i t i o n[J].I E E ET r a n s a c t i o n s o nS i g n a l P r o c e s s i n g,2014,62(3):531-544.[10]袁建虎,韩涛,唐建,等.基于小波时频图和C N N的滚动轴承智能故障诊断方法[J].机械设计与研究, 2017,33(2):93-97.[11]姜保军,曹浩.基于小波分解和样本熵的G A-S VM齿轮箱故障诊断[J].组合机床与自动化加工技术, 2019(11):78-82.[12]孙强,赵东波,王良涛,等.基于小波分解改进算法和峭度最大原则的滚动轴承故障诊断研究[J].铁道车辆,2022,60(1):23-27.[13]G I L L E SJ.E m p i r i c a lw a v e l e t t r a n s f o r m[J].I E E ET r a n s a c t i o n s o nS i g n a lP r o c e s s i n g,2013,61(16): 3999-4010.[14]李志农,刘跃凡,胡志峰,等.经验小波变换-同步提取及其在滚动轴承故障诊断中的应用[J].振动工程学报,2021,34(6):1284-1292.[15]王大鹏,李忞,邓飞跃.一种多层经验小波变换与多指标交叉融合的列车轮对轴承故障诊断研究[J].重庆理工大学学报(自然科学版),2022,36(6):156-163.[16]左大利.基于自适应经验小波分解和深层W a s s e r-s t e i n网络的轴承工况识别[J].组合机床与自动化加工技术,2021(8):11-15.[17]朱兴统.基于小波包分解和K最近邻算法的轴承故障诊断方法[J].装备制造技术,2020(2):24-27.[18]刘颖,陶建峰,黄武涛,等.小波包能量与C N N相结合的滚动轴承故障诊断方法[J].机械设计与制造, 2021,369(11):127-131.[19]陈慧,胡俊锋,熊国良.基于小波包分解与权重包络谱的滚动轴承故障特征增强[J].机械设计与研究, 2017,33(3):78-81.[20]B A Y R AM I,S E L E S N I C K I W.O nt h ed u a l-t r e ec o m p l e xw a v e l e t p a c k e t a nd M-b a n d t r a n s f o r m s[J].I E E E T r a n s a c t i o n so nS i g n a lP r o c e s s i n g,2008,56(6):2298-2310.[21]谷穗,王红,陈禹州.双树复小波包与自适应排列熵在轴承故障诊断中的应用[J/O L].机械科学与技术:1-8[2022-05-05].h t t p s://d o i.o r g/10.13433/j.c n k i.1003-8728.20220050.[22]吴龙.基于E M D和复合熵在轴承故障诊断中的应用[J].中国水运(下半月),2021,21(11):60-62.[23]WUZ H,HU A N G N E.E n s e m b l e e m p i r i c a lm o d ed e c o m p o s i t i o n:a n o i s e-a s s i s t e dd a t a a n a l y s i sm e t h o d[J].A d v a n c e s i n A d a p t i v eD a t aA n a l y s i s,2009,1(1):1-41.[24]董东野.基于C E E M D-T e a g e r的刮板转载机轴承故422大连工业大学学报第42卷Copyright©博看网. All Rights Reserved.障识别[J].煤矿机械,2021,42(3):167-169. [25]任学平,李攀,乔海懋.基于C E E M D和T e a g e r能量算子的滚动轴承故障诊断研究[J].机械设计与制造,2019(8):16-18.[26]Y U A NJ,H EZJ,N I J,e t a l.E n s e m b l en o i s e-r e-c o n s t r u c t e de m p i r i c a l m od ede c o m p o s i t i o nf o r m e-c h a n i c a l f a u l t d e t e c t i o n[J].J o u r n a l o fV i b r a t i o n a n dA c o u s t i c s,2013,135(2):021011.[27]雷亚国,孔德同,李乃鹏,等.自适应总体平均经验模式分解及其在行星齿轮箱故障检测中的应用[J].机械工程学报,2014,50(3):64-70.[28]T O R R E S M E,C O L OM I N A S M A,S C H L O T-T HA U E R G,e t a l.Ac o m p l e t e e n s e m b l e e m p i r i c a l m o d ed e c o m p o s i t i o n w i t ha d a p t i v en o i s e[C]//2011I E E EI n t e r n a t i o n a l C o n f e r e n c e o nA c o u s t i c s,S p e e c ha n dS i g n a lP r o c e s s i n g(I C A S S P).P r a g u e:I E E E, 2011:4144-4147.[29]王建国,陈帅,张超.噪声参数最优E L M D与谱峭度在滚动轴承故障诊断中的应用[J].机械传动,2017, 41(5):170-175.[30]邓佳敏,谢灿华,刘博,等.基于E N L M D与H i l b e r t包络谱的轴承运行状态故障特征提取[J].中国仪器仪表,2021(2):42-47.[31]Z HA O H Y,WA N GJD,L E EJ,e ta l.Ac o m-p o u n d i n t e r p o l a t i o ne n v e l o p e l o c a lm e a nd e c o m p o s i-t i o na n d i t s a p p l i c a t i o n f o r f a u l t d i a g n o s i s o f r e c i p r o-c a t i n g c o m p r e s s o r s[J].M e c h a n i c a l S y s t e m s a n d S i g n a l P r o c e s s i n g,2018,110:273-295. [32]张亢,程军圣,杨宇.基于自适应波形匹配延拓的局部均值分解端点效应处理方法[J].中国机械工程, 2010,21(4):457-462.[33]肖洁,黎敬涛,邓超,等.基于I T D与L L T S A的轴承故障诊断方法[J].电子测量技术,2020,43(8):183-188.[34]郑近德,程军圣,杨宇.基于改进的I T D和模糊熵的滚动轴承故障诊断方法[J].中国机械工程,2012,23(19):2372-2377.[35]钟先友,曾良才,赵春华,等.基于B样条本征时间尺度分解和对角切片谱的轴承故障诊断[J].振动与冲击,2013,32(23):201-207.[36]向玲,鄢小安.基于集成固有时间尺度分解和谱峭度的滚动轴承故障检测[J].中南大学学报(自然科学版),2016,47(7):2273-2280.[37]余忠潇,郝如江.基于L C D和M C K D的轴承故障诊断[J].中国科技论文,2019,14(2):215-220. [38]郑近德.局部特征尺度分解方法及其在机械故障诊断中的应用研究[D].长沙:湖南大学,2014. [39]吴占涛.自适应特征尺度分解方法及其在旋转机械故障诊断中的应用[D].长沙:湖南大学,2015. [40]李永波.滚动轴承故障特征提取与早期诊断方法研究[D].哈尔滨:哈尔滨工业大学,2017.[41]MO HA N T Y,G U P T A K K,R A J U K S.B e a r i n gf a u l ta n a l y s i su s i ng v a r i a t i o n a lm o d ed e c o m p o s i t i o n[C]//20149t h I n t e r n a t i o n a l C o n f e r e n c e o n I n d u s t r i-a l a n d I n f o r m a t i o n S y s t e m s(I C I I S).G w a l i o r:I E E E,2014:1-6.[42]唐贵基,王晓龙.参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用[J].西安交通大学学报,2015,49(5):73-81.[43]王双海,米大斌,芦浩,等.基于M I G A-VM D和t-S N E的轴承故障诊断方法[J].机床与液压,2022, 50(2):183-191.[44]尹逊龙,牟宗磊,王友清.基于D VM D降噪的旋转机械故障诊断[J].控制理论与应用,2022,39(7): 1324-1334.[45]刘宏利,张晓杭,邵磊,等.基于WO A-VM D及综合评价指标的轴承故障诊断[J].组合机床与自动化加工技术,2022(2):68-71.[46]梁尔祝,徐淼,谷传宝,等.基于S A-G A模糊熵的VM D算法在爆破振动信号分解中的应用[J].金属矿山,2022(2):75-82.[47]谢棕,张丽萍.基于参数优化VM D和多尺度排列熵的齿轮故障诊断[J].机械制造与自动化,2021,50(6):114-117.[48]金江涛,许子非,李春,等.基于改进变分模态分解及多重分形的轴承信号非线性分析[J].机械强度, 2022,44(1):45-52.[49]袁文琪,冯爱兰,徐江燕.基于樽海鞘群优化VM D和F C F的旋转机械信号分析方法[J].煤炭技术, 2022,41(2):209-212.[50]刘硕,帕孜来㊃马合木提,艾纯玉.优化VM D算法在汽车逆变器早期故障诊断中的应用[J].三峡大学学报(自然科学版),2022,44(1):101-106. [51]金志浩,穆鹏丞,张义民,等.一种改进的VM D及其在轴承故障诊断中的应用[J].机械设计与制造, 2022,372(2):42-46.(责任编辑:刘发盛)522第3期刘艳秋等:时频分析方法在轴承故障诊断领域的应用Copyright©博看网. All Rights Reserved.。
G80Cr4Mo4V钢角接触球轴承套圈锻件辗扩工艺改进
Ｇ８０Ｃｒ４Ｍｏ４Ｖ钢角接触球轴承套圈锻件辗扩工艺改进吴玉成，刘明，付中元，王教翔（中国航发哈尔滨轴承有限公司，哈尔滨 １５００２５）摘要：针对目前航空发动机轴承套圈锻造工艺存在锻造次数较多，加热时间长，表面质量较差及金属流线分布不合理等问题，提出了采用棒料车环坯＋直接辗扩成形的新锻造工艺，解决了锻件由于加热火次较多产生的晶粒粗大和脱碳较深问题，以及后续沟道车削产生的金属流线露头等现象。
新锻造工艺提高了生产效率和轴承的使用寿命。
关键词：滚动轴承；角接触球轴承；套圈；高温轴承钢；锻造；辗扩；金属流线中图分类号：ＴＨ１３３．３３＋１；ＴＧ３１６ 文献标志码：Ｂ ＤＯＩ：１０．１９５３３／ｊ．ｉｓｓｎ１０００－３７６２．２０２１．０１．００８ＩｍｐｒｏｖｅｍｅｎｔｏｎＲｏｌｌｉｎｇＰｒｏｃｅｓｓｏｆＡｎｇｕｌａｒＣｏｎｔａｃｔＢａｌｌＢｅａｒｉｎｇＲｉｎｇＦｏｒｇｉｎｇｓＭａｄｅｏｆＧ８０Ｃｒ４Ｍｏ４ＶＳｔｅｅｌＷＵＹｕｃｈｅｎｇ，ＬＩＵＭｉｎｇ，ＦＵＺｈｏｎｇｙｕａｎ，ＷＡＮＧＪｉａｏｘｉａｎｇ（ＡＥＣＣＨａｒｂｉｎＢｅａｒｉｎｇＣｏ．，Ｌｔｄ．，Ｈａｒｂｉｎ１５００２５，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｅｄａｔｅｘｃｅｓｓｉｖｅｆｏｒｇｉｎｇｔｉｍｅｓ，ｌｏｎｇｈｅａｔｉｎｇｔｉｍｅ，ｐｏｏｒｓｕｒｆａｃｅｑｕａｌｉｔｙａｎｄｕｎｒｅａｓｏｎａｂｌｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｍｅｔ ａｌｆｌｏｗｌｉｎｅｄｕｒｉｎｇｆｏｒｇｉｎｇｏｆａｅｒｏｅｎｇｉｎｅｂｅａｒｉｎｇｒｉｎｇｓａｔｐｒｅｓｅｎｔ，ｔｈｅｎｅｗｆｏｒｇｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｐｒｏｐｏｓｅｄｉｎｗｈｉｃｈｒｉｎｇｂｌａｎｋｉｓｔｕｒｎｅｄｆｒｏｍｂａｒａｎｄｒｏｌｌｅｄ，ａｎｄｌａｒｇｅｇｒａｉｎｓｉｚｅａｎｄｄｅｃａｒｂｕｒｉｚａｔｉｏｎｄｅｐｔｈａｎｄｐｏｏｒｍｅｔａｌｆｌｏｗｌｉｎｅａｆｔｅｒｔｕｒｎｉｎｇｏｆｇｒｏｏｖｅｉｓｓｏｌｖｅｄ．Ｔｈｅｎｅｗｆｏｒｇｉｎｇｐｒｏｃｅｓｓｉｍｐｒｏｖｅｓｔｈｅｐｒｏｄｕｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙａｎｄｔｈｅｓｅｒｖｉｃｅｌｉｆｅｏｆｔｈｅｂｅａｒｉｎｇｓ．Ｋｅｙｗｏｒｄｓ：ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；ａｎｇｕｌａｒｃｏｎｔａｃｔｂａｌｌｂｅａｒｉｎｇ；ｒｉｎｇ；ｈｉｇｈｔｅｍｐｅｒａｔｕｒｅｂｅａｒｉｎｇｓｔｅｅｌ；ｆｏｒｇｉｎｇ；ｒｏｌｌｉｎｇ；ｍｅｔａｌｆｌｏｗｌｉｎｅ Ｇ８０Ｃｒ４Ｍｏ４Ｖ钢具有高强度、高硬度和好的高温下尺寸稳定性以及优良的接触疲劳性能，广泛应用于航空发动机主轴轴承。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２ Ｃ ｎ ｒ ｆ ｅｅｒｈａ ｄＤ ｖｌｐ ｅｔＣ ｉａＡ ａｅ ｙｏ ａ ｗ ｙＳｉ ｃ ，ｅ ｉ ０８ ，ｈｎ ） ． ｅｔ ｓａｃ ｎ ｅｅ ｍ ｎ，ｈｎ ｃｄ ｍ ｆ ｉ ａ ｃ ｎｅ Ｂ ｉｎ １ ０ １ Ｃ ｉ ｅｏＲ ｏ Ｒｌ ｅ ｊｇ ０ ａ
Ａｂ ｔ ａ ｔ Ｉ ｄ ｐ ｎ ｅ ｔ ｏ ｏ ｅ ｔ ｎ ｌｓｓｂ ｓ ｄ ｆｕ ｔ ｉｇ ｏ ｉ ￣ｏ ｓｉｔｏ ｕ ｅ ． ｕ ｒ ａ ｘ ｅ ｉ ｎｓ ｓ ｏ ａ ｓｒ ｃ ：ｎ ｅ ｅ ｄ ｎ ｍｐ ｎ ｎ ａｙ ｉ ａ ｅ ａ ｌ ｄ ａ ｎ ｓｓｍｅ ｄ ｉ ｎｒ ｃ ｄ Ｎ ｍｅ ｃ ｌｅ ｐ ｒ ｃ ａ ｄ ｉ ｍｅ ｔ ｈ ｗ ｔ ｔ ｈ ｔ ｅ ｍｅ ｄ ａｌ ｆ ｃ ｖ ｌ ｉｇ ｏ ｅ ｔ ｅ ｆｕ ｔ ｏ ｔ ｒ ａ ｅ ｉ ｎ ｒｒ ｃ ｎ ｏ ｌｒｏ ｌ ｎ ｅ ｒ ｇ ， ｄ ｉ ｅ ｔｒｔ ａ ｈ ￣ｏ ｃ ｒ ｅ ｅ ｔ ｅ ｙ ｄａ ｎ ｓ ｈ ｌ ｏ ｕ ｅ ｃ ，ｎ ｅ ａ ｅ ａ ｄ ｒｌ ｆｒ ｌ ｇ ｂ ａ ｉ ｓ ａ ｂ ｔ ｈ ｎ ｉ ａ ｓｆ ｒ ｅ ｏｉ ｎ ｎ ｓ ｅ ｔ ｅ ｃ ｒ ｅｌ ｏ ａ Ｉ １ ａ ｏ ｅ ｍ ｕ ａｉｎ ｍｅｈ ｄ ｈ ｏｌ ｒ ｎ ｌ ＇ ０ ｎ ｅｄ ｎ ｄ ｌ ｔ ｖ ￣ ｎ ｏ ｔｏ ．
得到其诊 断图 。结果 表 明 ， 诊 断 图与频 图相 比 ， 该
接触应力增大， 故障的扩展倾 向加重， 有可能产生 热轴 、 燃轴 ， 至 导致 列 车颠 覆 。因 此尽 早地 对 轴 甚
承故 障做出诊断对车辆安全有极为 重要 的意义 。 铁路车 辆滚 动轴 承 的故 障诊 断 多采 用共 振解 调法 ， 利用 高通 或带 通 滤 波 器 和包 络 分 析 将 瞬态
Ｋｅ ｏｄ ：ｒｉ ｔ ａ ｌｎ ｅｒ ｇ ； ｄｐｎｅ ｔｏ ｏｎｎ ａａｙｉ ＩＡ） ｍａｌ ｌ ｎｅ ｐｎｒ Ｆｕｉ ＇ ｓ ｙｗ ｒｓ ｆ ｇ ｒ ｏｉｇｂａ ｎｓｉ ｅｅｄｎ ｍｐ ｅｔ ｎｌ ｓ（Ｃ ； ｘ ｖｌ ｏ ｅ ｈｃ ｒｌ ｉ ｎ ｃ ｓ ｍａ ｅ ｏ ｍ；ｏｒ ｒ ａ － ｅｕｎ
中图分 类号 ：Ｈ ３ ．３ Ｔ￣０ ． Ｔ １３ ３ ；Ｃ ６ ３ 文献标志码 ： Ｂ 文章编号 ：００— ７ ２ ２ ０ ）２— ０ ２— ５ １０ ３６ （０ ７ ０ ０ ３ ０
Ｉ ｄ ｐ ｎ ｅ ｔＣｏ ｏ ｅ ｔＡｎ ｌ ｓｓａ ｄ ＩｓＡｐ ｌ ａ ｉｎ ｉ ｎ ｅ ｅ ｄ ｎ ｍｐ ｎ ｎ ａｙ ｉ ｎ ｔ ｐｉ ｔ ｎ ｃ ｏ
收稿 日期 ：０ ６— ７－ １ 修回 日期 ：０ ６—１ ２ ２０ ０ ２ ； ２０ ０—１ 基金项 目： 铁道科学研究院研发 中心基金（ ０４ Ｙ ５ 资助 ２０５ Ｆ ） 作者简介 ： 成 棣 （９ １ ， ， １８ 一）男 硕士研究 生。
（） １ 利用 自适 应短 时 Ｆｕ ｅ 变换 【对 采集 到 ｏｒ ｒ ｉ ２
时频 分 析 ｕ 是 近 年来 发 展 较 快 的方 法 ， 特 其
点是 能同时反映信号时域 和频域特征 ， 高诊断 提 的准确度 。虽然有经验的工程人员能从时频分布
图 中识 别 故 障是 否存 在 及其 类 型 ， 通 常 还是 希 但
ｆｒ ；ｆｕ ｔｄａ ｎ ｓｓ ｏ ｍ ａ ｌ ｉｇ ｏ ｉ
滚动轴承是铁路车辆的关键部件之一， 现代货
车发展趋 势 是 重载 ， 在重 载 下运 行 的 滚动 轴 承 ， 其
望能给出更直观的判定指标 ， 独立分量分析（Ｃ ） ＩＡ 能够实现这一要求。轴承故障信息主要集 中在时 频图中的高频 区， 采用最 大包络准则从中提取生 成 多组数据 作 ＩＡ， Ｃ 然后对 其 做细化 Ｆ ｕｉ 变换 ， ｏｒｒ ｅ
维普资讯
堡 Ｑ ＝Ｚ 圣
Ｃ １— １ ４ ／１ ｛ Ｎ４ １ ８ １
轴承Leabharlann Ｂ ａ ｉｇ ２ ０ Ｎｏ ２ ｅ ｒｎ ０ ７， ．
２ ０ 年２ ０ ７ 期
３ ２—３ ６
独立分量分析在货车轴承故障诊断中的应用
成 棣 刘金朝 王成 国 ， ，
故障信息更加集 中和突 出， 从而有利 于轴承故障 诊 断的实现 。
冲击成分从信号的高频成分中提取 出来。但是如 何合理地选择包络分析 的中心频率及其带宽往往 制约着 共振解 调 法在滚 动 轴承 故 障诊 断 中 的成功
应用。
１ 基 于 ＩＡ的故障诊 断方法 Ｃ
１ １ 独立分量 分析方 法算法 ．
（． １湖北大学 数学与计算机科学学院 ， 武汉 ４０６ ；． ３０２２铁道科 学研 究院 研发 中心 ， 北京 １０８） ００１ 摘 要 ： 出基于独立分量分析 的故 障诊断方法 ， 提 数值试验 结果表 明， 基于独立分量 分析的故 障诊 断方法能有效
地诊断滚动轴承 的外圈 、 内圈和滚动体的故障 ， 而且 比传统 的共振解调法的性能更好。 关键词 ： 货车轴承 ； 独立分量分析（Ｃ ； ＩＡ） 最大包络准则 ；ｏｒ ｒ Ｆ ｕｉ 变换 ； ｅ 故障诊断
Ｆａ ｌ ａ ｎ ｓｓｏ ｅｇ ａｎ ｌｉｇ Ｂｅ ｒｎｇ ｕ ｔＤｉ ｇ ｏ ｉ ｆＦｒ ｉｈｔＴｒ ｉ Ｒｏｌ ａ ｉ ｓ ｎ
Ｃ ＨＥＮＧ Ｄｉ。 Ｉ Ｊ ＬＵ ｉ ｎ—ｚ ａ ２ Ｗ ＡＮＧ Ｃ ｅ ｇ—ｇ ｏ ｈｏ ， ｈｎ ｕ２
（ ． ａ ｍ ｆ ｎ ｏ ｅ ｒ ｃｅｃ ａｕ ｏ ｕ ｃ Ｕ ｉ ｒｉ ， ｈｎ４ ０ ６ ，ｈｎ ； １ Ｍ ￣ｅ ａ ｃａｄＣ ｍｐ ｅ ｉｎ Ｆｃｌ ｆ ｂ ｉ ｎｖ ｓｙＷｕ ａ ３０ ２ Ｃ ｉ ｉ Ｓ ｅ ￣ Ｈ ｅ ｔ ａ