摘 要

Abstract 3

1 绪论 4

1.1 研究的目的及意义 4

1.2 研究现状 4

1.3 经验模式分解技术的研究 5

1.4 本课题的主要研究内容 5

2 滚动轴承故障的原因及其特点 7

2.1 滚动轴承故障 7

2.1.1滚动轴承故障类型 7

2.1.2滚动轴承故障特点分析 9

2.1.3滚动轴承的故障诊断方法 9

2.2 轴承故障频率分析 10

2.2.1滚动轴承的特征频率以及固有频率 11

3 轴承故障诊断方法——经验模式分解法 14

3.1 经验模式分解方法 14

3.1.1经验模式分解方法的基本原理 14

3.1.2经验模式分解的筛分过程 16

3.1.3经验模式分解的特点 19

3.2 经验模式分解过分解的解决办法 19

3.3 希尔伯特变换 20

4 多元经验模式分解的故障诊断应用 20

4.1 多元经验模式分解的降噪功能 20

4.2 噪声的区分和判别 22

4.3基于多元经验模式的轴承故障诊断 22

5 总结 25

致 谢 28

摘 要

滚动轴承一般由内圈、外圈、滚动体和保持架四部分组成。滚动轴承是机器中较为常见的元件，机械故障也经常与轴承有关，因此轴承的故障检测就十分重要。传统的轴承故障检测方法是对轴承的各部分的振动情况进行记录，然后对得到的振动频率数据进行分析计算。根据计算结果对轴承的故障类型进行诊断分析。

经验模式分解法是一种有效分解信号各频率成分的方法，已在各个领域得到了比较广泛的应用。本文首先介绍了滚动轴承的结构和作用，以及其故障类型、产生原因及其特点，并且分析了轴承各类故障的振动信号频率特征。然后，阐述了几种轴承故障的检测方法，并着重对经验模式分解方法进行了分析和仿真。最终，在Matlab中实现了基于EMD的实际轴承振动信号故障特征提取方法的仿真。

关键字：轴承；故障诊断；经验模式分解；独立分量分析

Abstract

Rolling general from the inner, outer ring, rolling elements and cage four parts. Rolling is more common machine elements, mechanical failure is also often associated with the bearing, and therefore bearing fault detection is very important. Traditional bearing fault detection method for vibration of each part of the bearing is recorded, then the vibration frequency of the data was subjected to analysis and calculation. According to the results of the type of bearing failure diagnostic analysis.

The method of empirical mode decomposition method is an effective decomposition signal for each frequency component, it has been widely applied in various fields. This paper describes the structure and function of rolling bearings, as well as its failure types, causes and characteristics, and analysis of the vibration signal frequency characteristics of various types of bearing failure. Then, he elaborated bearing fault detection methods, and focus on the empirical mode decomposition methods are analyzed and simulated. Ultimately, to achieve a simulation in Matlab extraction method based on the actual bearing fault vibration signal characteristic of EMD.

Keywords: Bearing;Fault diagnosis;Empirical mode decomposition;Independent component analysis

绪论

研究的目的及意义

工业是国家的经济的重点产业,机械制造业是国家经济的命脉, 它的各种经济贡献占我国工业的比例可以达到百分之二十到百分之二十五。它的发展的好坏对于我国各项产业经济的发展的影响十分巨大,也影响到国计民生和国防力量的强大与否,因此,各国都十分重视机械制造业的发展，努力提高本国机械制造技术.。机械与工业息息相关，而轴承则是机械的重要组成部分。轴承广泛应用于各个领域，例如铁路交通、船舶、航空航天、运输等等领域。然而，由于轴承经常需要高速转动，并且在机器中经受着轴径载荷以及传递载荷的作用，常常受到各种力的影响，因此轴承十分容易被损坏。轴承是否能够正常工作关系到能整个机械系统可否正常工作运行，整个生产系统能否正常高效的工作。随着科学技术的不断发展、生产力的不断进步，机械的组成日趋复杂精密，在提高了生产效率的同时也增加了故障的几率，一个小小的故障就很有可能造成重大的经济损失甚至出现危害到人身安全。根据研究显示，轴承故障诊断可以有效地检测轴承的工作状态是否正常，能够有效地降低由于轴承故障而导致的机器停机的几率，更能够预防生产安全事故的产生，减少经济损失。因此轴承故障诊断是十分重要的。滚动轴承的工作状态是否正常的判断与故障诊断就是根据对滚动轴承在各种工作情况况下表现出来的振动频率、噪声干扰、温度特征、运转的各项数据、气味、是否有泄漏等信息的监测和综合分析来对其工作的状态、故障的类型和轴承故障是否严重进行分析、诊断、判断的过程。一个好的轴承故障检测系统应当包括：信号提取、特征提取、状态识别、诊断分析、据测干预这五大部分。轴承的振动可以很好的反应出机械设备的运行情况，从中我们可以得知轴承故障的类型，并针对不同的故障类型进行维修。因此，从轴承的振动提取有用的信息来进行故障分析是轴承故障检测的重要方法。如何选取一个好的算法来从噪声中提取轴承工作时的振动信号，是轴承的故障诊断中的一个比较重点难题。

研究现状

国外的轴承故障的研究时间相对国内来说比较早，开始于20世纪中期。随着科学技术的不断前进，轴承的振动信息提取技术和轴承的故障诊断系统也随之完善进步。轴承的故障检测技术基本经过了下面的五个阶段：

1. 通过人工进行故障的检测，例如目视，手摸等方法，或者通过一些仪器进行一些简单的轴承故障的检测。这个阶段的轴承故障检测并不可靠，也经常只能在轴承发生故障以后进行检测，不能提前发现故障。
2. 通过频谱分析来进行轴承故障诊断。由于快速傅里叶变换（FFT）的出现使得信号处理技术得到了巨大的发展，同时轴承的故障检测也得到了极大进步。通过傅里叶变换，人们可以对轴承的振动信号进行更好更为深入的分析，也能够得到准确的故障结果。
3. 使用冲击脉冲技术进行轴承故障的判断。瑞典的埃斯彼姆仪器有限公司利用脉冲的最大幅值来检测轴承故障，通过故障轴承表面产生的冲击脉冲来产生整个系统的高频固有振动，然后分离出故障特征信号来进行故障诊断，这就是冲击脉冲技术^[1]。
4. 通过共振解调的方法判断滚动轴承的故障。美国的一名科学家研究了共振解调系统来进行轴承故障的诊断。该系统的原理是通过外部施加的频率信号与系统本身固有的振荡频率相同时会产生共振，人们利用这种特性适当改变系统的自身频率并精确跟踪系统外部的频率信号，就可以获悉外部信号所传递的信息。此种方法除了可以进行频谱分析以外还可以对其包络信号进行各种运算，例如求峰值，均方根值等等。这种方法较之前的方法，有着更好准确度。
5. 利用电脑来进行轴承故障的诊断。到了21世纪，科技水平的进步日新月异，其中最为突出的就是电脑技术，通过电脑的分析和信息处理技术进行故障分析，并且建立有关于轴承故障的信息库。随着计算机和因特网科技的发展，远程故障诊断将是现代故障诊断进步的一个十分具有希望的研究方向。

中国轴承故障诊断系统开始时间相比于国外来说比较晚，但是在理论和实际都有着显著的成果，其中绝大部分研究都是围绕着振动分析法进行讨论的，本文也只讨论分析振动分析法的应用。

经验模式分解技术的研究

经验模式分解(EMD)是希尔伯特-黄算法是（Hilbert-Huang变换HHT)的核心算法。是由黄锷（N. E. Huang）于1998年提出的一种较为新颖的自适应信号时频处理算法，这种算法是基于傅里叶变换的线性稳态频谱分析方法。^[2]与其他的分析算法相进行比较，经验模式分解算法不需要依靠任何的预设函数，而是通过算法本身的时间尺度特征来分解所得到的信号，并且具有自适应性， 所以经验模式分解算法适用于所有类型不同特点的信号分析，例如非线性、不稳定的信号，使其平稳化处理，同时分析的准确度也相对于其他算法来说较高。所以这种算法得到了十分广泛的应用，其主要的工程应用领域有天气预报、风力风向观测、洋流以及机械诊断（轴承故障诊断）等等。后文将重点介绍经验模式的公式、具体原理和计算方法等详细内容。

由于轴承故障类型较多，其故障特征信号也多种多样，再加上轴承所处于的工作环境之中有着较多的噪音，因此经验模态分解算法相对比较适合轴承故障的检测。因此，本文主要讨论和分析，多元经验模式分解算法在轴承故障提取中的实际应用。

本课题的主要研究内容

在广泛阅读和研究国内外有关于经验模式分解和轴承故障及其诊断的文献之后，在指导教师的帮助下进行了对基于多元经验模式分解的轴承故障提取方法的研究。

在文章开始对轴承故障诊断的研究目的和历史进行了讨论，然后分析了轴承故障诊断的进步历史，并且对经验模式算法进行了简单的分析。

在第二章主要讨论轴承的类型，轴承的各种故障以及不同故障的特征，还有对于轴承故障模型的建立、轴承故障频率的分析，然后重要讨论轴承故障的诊断方法。

第三、四章着重讨论多元经验模式算法（EMD），对于EMD基本原理和分解过程进行分析研究，EMD的平滑能量算子解调方法，如何将EMD与轴承故障诊断的实际应用相结合来设计算法及诊断实例。

由于实际环境十分复杂。其中包含着各种各样的噪声，而轴承故障诊断需要滤除掉这些无用的背景噪声干扰，所以将在第五章讨论如何利用EMD的特点来进行降噪处理:首先滤除掉伪分量，这一步需要通过原信号和基本模式分量分析，降低分析误差来完成。然后对于剩余的分量进行自相关分析，进而去除掉背景噪声干扰，来达到我们所期望的降低噪声干扰的目的。并通过具体实验证实EMD的效果。

滚动轴承故障的原因及其特点

滚动轴承故障

2.1.1滚动轴承故障类型

轴承是一种十分精密的零部件，广泛应用于各种机械设备中，其作用是支持机械的旋转体并且减少零部件之间的相互摩擦。基于轴承的功能，可以把轴承分成两大类，即滑动轴承和滚动轴承。在本文中，主要讨论滑动轴承以及它的故障分析。

滚动轴承主要由内圈、外圈、保持架以及滚动体这四大部分组成。一般来说，只要具有内圈、外圈还有滚动体的轴承就可被称作为滚动轴承了。根据滚动轴承的滚动体形状的不同，又可以将轴承细分为两大类：滚子轴承和球轴承。轴承个部分作用

图2.1 轴承实物图

轴承各个部分作用：

1、内圈大部分情况和主轴紧密结合，并且和主轴同时转动。

2、外圈与轴一般承座孔或者机械部件的壳体相互配合作用，起到支撑的作用。但是在某些情况之下，也会出现外圈旋转，内圈固定，或者内、外圈都旋转的情况。

3、滚动体通过保持架，十分有规律地分布在内外圈的中间。轴承的承载能力和工作性能的好坏通常与它的形态大小和数量紧密联系。

4、保持架将钢珠比较均匀的分开，引导钢珠在准确的轨道上转动，改善轴承中载荷分布的情况和润滑情况。

由于轴承是一个十分精密的零部件，在工作的时候经常处于高速运动的状态，并且经受着各种作用力和摩擦的影响，所以会出现这样或者是那样的故障问题，其故障的原因无非是两个方面：一是轴承本身在制造时由于制造工艺不佳而产生的自身缺陷。二是由于长时间工作而产生的磨损，进而导致的轴承故障。