基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用

doi:10.3969/j.issn.0372-2112.2018.02.014

电子学报 ›› 2018, Vol. 46 ›› Issue (2): 358-364.DOI: 10.3969/j.issn.0372-2112.2018.02.014

基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用

郑近德, 潘海洋, 戚晓利, 张兴权, 刘庆运

安徽工业大学机械工程学院, 安徽马鞍山 243032

收稿日期:2016-07-15 修回日期:2017-09-13 出版日期:2018-02-25
- 作者简介:
- 郑近德,男,1986年生于安徽阜阳,博士,现为安徽工业大学机械工程学院副教授.研究方向为动态信号处理,时频分析及机械设备故障诊断,已发表学术论文40余篇.E-mail:lqdlzheng@126.com;潘海洋,男,1989年生于安徽宿州,硕士,现为安徽工业大学机械工程学院助教,湖南大学博士研究生.研究方向为模式识别与机械设备故障诊断.E-mail:pansea@sina.cn
- 基金资助:
- 国家自然科学基金 (No.51505002）; 国家重点研发计划 (No.2017YFC0805100）; 安徽省高校自然科学研究重点项目 (No.KJ2015A080）

Enhanced Empirical Wavelet Transform Based Time-Frequency Analysis and Its Application to Rolling Bearing Fault Diagnosis

ZHENG Jin-de, PAN Hai-yang, QI Xiao-li, ZHANG Xing-quan, LIU Qing-yun

School of Mechanical Engineering, Anhui University of Technology, Maanshan, Anhui 243032, China

Received:2016-07-15 Revised:2017-09-13 Online:2018-02-25 Published:2018-02-25
- Supported by:
- National Natural Science Foundation of China (No.51505002); National Key Research and Development Program of China (No.2017YFC0805100); Key Program of Natural Science Research Projrct of Colleges and Universities of Anhui Province (No.KJ2015A080)

摘要/Abstract

摘要： 经验小波变换是最近提出的非平稳信号分析方法，针对其不足，提出了一种改进的经验小波变换方法；同时结合瞬时频率新定义，提出了一种非平稳信号时频分析新方法.该方法首先通过改进的经验小波变换将一个复杂的非平稳信号自适应地分解为若干个具有紧支集频谱的内禀模态函数之和；再通过对每个内禀模态函数进行解调，得到原始信号的时频分布.将提出的方法应用于滚动轴承试验数据分析，并将其与希尔伯特黄变换进行了对比，结果表明，论文提出的方法能够有效地诊断滚动轴承故障，且诊断效果优于希尔伯特黄变换方法.

关键词: 时频分析, 希尔伯特变换, 经验小波变换, 滚动轴承, 故障诊断

Abstract: Empirical wavelet transform is a recently proposed method for non-stationary signal analysis. In view of its shortcomings, an enhanced empirical wavelet transform (EEWT) is proposed in this paper. Meanwhile, combining the new definition of instantaneous frequency, a new time-frequency analysis method for non-stationary signal is put forward. Firstly, EEWT is used to decompose a non-stationary signal into a number of intrinsic mode functions (IMFs) that have compact support set spectrum. Secondly, the time-frequency distribution of original signal can be obtained by demodulating each IMF Also, the proposed method is applied to analyze experiment data of rolling bearing by comparing with Hilbert-Huang transform (HHT) and the results show that the proposed method can effectively diagnose the faults of rolling bearings and get a better effect than that of HHT.

Key words: time-frequency analysis, Hilbert transform, empirical wavelet transform, rolling bearing, fault diagnosis

中图分类号:

郑近德, 潘海洋, 戚晓利, 等. 基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用[J]. 电子学报, 2018, 46(2): 358-364.

ZHENG Jin-de, PAN Hai-yang, QI Xiao-li, et al. Enhanced Empirical Wavelet Transform Based Time-Frequency Analysis and Its Application to Rolling Bearing Fault Diagnosis[J]. Acta Electronica Sinica, 2018, 46(2): 358-364.

参考文献

[1] Peng Z K,Chu F L.Application of the wavelet transform in machine condition monitoring and fault diagnostics:a review with bibliography[J].Mechanical Systems and Signal Processing 2004,18(2):199-221.
[2] Yan R,Gao R X,Chen X.Wavelets for fault diagnosis of rotary machines:A review with applications[J].Signal Processing,2014,96(5):1-15.
[3] 于德介,程军圣,杨宇.机械故障诊断的Hilbert-Huang变换方法[M].科学出版社,2006.
[4] Yu D J,Cheng J S,Yang Y.Application of EMD method and Hilbert spectrum to the fault diagnosis of roller bearings[J].Mechanical Systems and Signal Processing,2005,19(2):259-270.
[5] 张亢,程军圣,杨宇.基于局部均值分解的阶次跟踪分析及其在齿轮故障诊断中的应用[J].中国机械工程,2011,22(14):1732-1736.
[6] 张亢.局部均值分解方法及其在旋转机械故障诊断中的应用研究[D].湖南大学,2012.
[7] 郑近德,程军圣,杨宇.部分集成局部特征尺度分解:一种新的基于噪声辅助数据分析方法[J].电子学报,2013,41(5):1030-1035. Zheng Jinde,Cheng Junsheng,Yang Yu.Partly ensemble local characteristic-scale decomposition:a new noise assisted data analysis method[J].Acta Electronica Sinica,2013,41(5):1030-1035.(in Chinese)
[8] 程军圣,郑近德,杨宇.基于局部特征尺度分解的经验包络解调方法及其在机械故障诊断中的应用[J].机械工程学报,2012,48(19):87-94. Cheng Junsheng,Zheng Jinde,Yang Yu.Empirical envelope demodulation approach based on local characteristic-scale decomposition and its applications to mechanical fault diagnosis[J].Journal of Mechanical Engineering,2012,48(19):87-94.(in Chinese)
[9] 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].湖南大学,2014.
[10] Asim Biswas.Scale-location specific soil spatial variability:A comparison of continuous wavelet transform and Hilbert-Huang transform[J].Gatena,2018,160:24-31.
[11] 张军,潘泽鑫,郑玉新,等.振动信号趋势项提取方法研究[J].电子学报,2017,45(1):22-28. Zhang Jun,Pan Zexin,Zheng Yuxin,et al.Research on vibration signal trend extraction[J].Acta Electronica Sinica,2017,45(1):22-28.(in Chinese)
[12] Gilles J,Empirical wavelet transform[J].IEEE Transactions on Signal Processing,2013,61(16):3999-4010.
[13] Gilles J,Tran G,Osher S.2D Empirical Transforms:Wavelets,Ridgelets and Curvelets revisited[J].SIAM Journal on Imaging Sciences,2014,7(1):157-186.
[14] Huang N E,Wu Z H,Long S R,et al.On instantaneous frequency[J].Advances in Adaptive Data Analysis,2009,1(2):177-229.
[15] Cicone A,Liu J,Zhou H.Adaptive local iterative filtering for signal decomposition and instantaneous frequency analysis[J].Applied and Computational Harmonic Analysis,2014,41(2):384-411.
[16] Zheng J,Cheng J,Yang Y.Generalized empirical mode decomposition and its applications to rolling element bearing fault diagnosis[J].Mechanical Systems and Signal Processing,2013,40(1):136-153.
[17] Zhang L,Xiong G,Liu H,et al.Bearing fault diagnosis using multi-scale entropy and adaptive neuro-fuzzy inference[J].Expert Systems with Applications,2010,37(8):6077-6085.

基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用

Enhanced Empirical Wavelet Transform Based Time-Frequency Analysis and Its Application to Rolling Bearing Fault Diagnosis

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	李钦, 刘伟, 牛朝阳, 宝音图, 惠周勃. 低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别[J]. 电子学报, 2023, 51(3): 675-686.
[2]	曹源, 宋迪, 胡小溪, 孙永奎. 基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断[J]. 电子学报, 2023, 51(1): 117-127.
[3]	于建立, 吴传斌, 冷赫, 鲁志伟. 基于磁场分布特性的接地网故障诊断研究[J]. 电子学报, 2022, 50(3): 598-607.
[4]	杨创艳, 马军, 王晓东, 罗亭, 李卓睿. 特征融合与灰色回归的滚动轴承性能退化评估[J]. 电子学报, 2022, 50(1): 106-115.
[5]	欧阳丹彤, 刘扬, 宋金彩, 王浩然, 张立明. 结合结构特征基于测试集重排序的故障诊断方法[J]. 电子学报, 2022, 50(1): 63-71.
[6]	张聿远, 张立民, 闫文君. 基于深度多级残差网络的低信噪比下空频分组码识别方法[J]. 电子学报, 2022, 50(1): 79-88.
[7]	林金朝, 李必禄, 李国权, 黄正文, 庞宇. 基于EWT和结构特征提取的心电信号R波识别算法[J]. 电子学报, 2021, 49(6): 1217-1223.
[8]	罗亭, 马军, 王晓东, 杨创艳, 李卓睿. 改进DLMD和TKEO的滚动轴承故障特征提取方法[J]. 电子学报, 2021, 49(2): 387-393.
[9]	鲍中新, 文成林, 马雪. 一种基于数据变化率的预处理及主元分析故障诊断方法[J]. 电子学报, 2021, 49(11): 2234-2240.
[10]	张彩霞, 王子涵, 文成林, 刘国文, 余伟. 样本空间基于多级高维特征表示的微小故障诊断[J]. 电子学报, 2020, 48(8): 1647-1654.
[11]	王宇, 陈晨, 张家琦, 彭丝雨, 高军峰. 任务提示的脑认知加工过程中神经振荡机制研究[J]. 电子学报, 2020, 48(5): 960-965.
[12]	赖春露, 王路. 近似线性相位全通数字滤波器的迭代重加权Minimax设计[J]. 电子学报, 2020, 48(4): 743-750.
[13]	秦鑫, 黄洁, 查雄, 骆丽萍, 胡德秀. 基于扩张残差网络的雷达辐射源信号识别[J]. 电子学报, 2020, 48(3): 456-462.
[14]	刘秋红, 李天昀, 王彬, 许漫坤, 邱钊洋. 基于离散小波分解和频率脊线分析的CPM信号符号速率盲估计[J]. 电子学报, 2020, 48(3): 470-477.
[15]	郑近德, 潘海洋, 童靳于, 刘庆运, 丁克勤. 自适应掩膜信号集成局部特征尺度分解及其应用[J]. 电子学报, 2020, 48(10): 2060-2070.