轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引人到局部均值分解(localmean decomposition,简称LMD)分解中,提出了一种基于EMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于EMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引人了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。

为实现轴承故障混合信号中提取故障特征频率, 提出基于EEMD和ICA的轴承故障特征提取方法.首先利用EEMD对采集滚动轴承故障加速度振动信号进行分解, 利用相关系数和波形相似度判断具有分解前信号相似特征的IMF, 其次累加相似特征弱的IMF作为噪声, 最后利用FastICA方法从混合信号中提取滚动轴承的故障特征频率, 试验证明该方法可以提取滚动轴承故障特征频率.

研究了振动检测法在轨道车辆传动齿轮箱轴承轻微故障的检测应用,根据现有振动理论,结合实际使用过程中早期齿轮箱轴承不同部位的缺陷故障信号,利用冲击振动技术采集不同故障形式振动信号,进行低通、高通过滤,调整包络处理,过滤去除干扰信号,得到与不同故障形式对应的振动信号,作为齿轮箱的故障诊断的理论依据,这项检测技术对保证行车安全具有重要意义,同时丰富了振动检测技术的实践应用案例。