一种改进的EEMD算法及其在滚动轴承故障诊断中的应用

摘要

总体经验模式分解（Ensemble Empirical Mode Decomposition, EEMD）方法由于其自适应性和抗混叠的特性，在轴承故障诊断领域得到广泛应用。针对总体经验模式分解（Ensemble Empirical Mode Decomposition, EEMD）方法中参数难以准确获取的问题，提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法。首先对故障信号进行预处理，自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数。之后对信号进行EEMD分解，得到若干个本征模态分量（Intrinsic Mode Function, IMF），利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调，最后通过能量谱识别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承仿真故障数据和实际数据中，实验结果表明，该方法可有效提取滚动轴承故障特征频率信息，验证了所提方法的可行性。