学术报告：基于集成经验模态分解（ensemble empirical mode decomposition，EEMD）与峭度准则的滚动轴承故障特征提取方法
主要作者及机构，论文刊载期刊及时间
文章作者包括胡爱军、马万里和唐贵基，分别来自华北电力大学机械工程系，研究方向涵盖机械设备动态测试与故障诊断等领域。本文发表在《Proceedings of the CSEE》（中 国电机工程学报），2012年4月15日，第32卷第11期。
本文报告了针对滚动轴承故障诊断研究的一项原创研究。
研究背景
滚动轴承是各种旋转机械中应用最广泛的零部件之一，其运行可靠性直接关系到机械系统的正常运行。然而，由于轴承在使用中可能会因磨损、过载以及润滑不良等原因导致局部损伤，进而在故障加剧时发生内圈或外圈断裂，甚至引发重大事故。因此，对滚动轴承早期故障的分析与诊断具有重要意义。
轴承局部损伤会在振动信号中表现出非平稳特性，同时由局部损伤引发的冲击振动会激发轴承系统的固有高频振动，形成复杂的幅值调制现象。提取与故障类型相关的调制特征信息成为关键技术问题。然而，传统的共振解调方法在高频宽带滤波选取中心频率和滤波频带时存在一定局限性，而小波变换也存在参数优化的困难。
近年来，希尔伯特黄变换（Hilbert-Huang Transform，HHT）以经验模态分解（Empirical Mode Decomposition，EMD）为核心逐渐受到关注，但EMD因模态混叠问题在滚动轴承故障诊断中的适用性有所限制。为解决此问题，Huang和Wu提出了集成经验模态分解（Ensemble Empirical Mode Decomposition，EEMD），有效抑制了模态混叠现象。基于此技术，本文提出一种基于EEMD与峭度准则的包络解调方法，用于从滚动轴承故障信号中提取特征信息，实现精确诊断。
研究流程
实验设计与信号采集
- 研究首先模拟滚动轴承内圈和外圈的局部损伤故障，实验实施于滚动轴承实验台，实验台包括电机、转子、加载器及轴承系统。
- 在滚动轴承的内圈与外圈分别切割沟槽，模拟实际运行环境中的局部损伤。
- 振动信号采样频率设定为12,800 Hz，通过实验平台采集内圈和外圈损伤情况下的振动数据。
EEMD分解方法与操作
- 集成经验模态分解方法（EEMD）通过在目标振动信号中加入随机高斯白噪声，利用白噪声的统计特性消除模态混叠问题。
- 在目标信号中多次加入噪声后，执行EMD分解并对所得本征模函数（Intrinsic Mode Function，IMF）逐次求均值，从而获得最终结果。
- 按如下步骤实现具体分解：
- 为原始信号加入高斯白噪声：( x_m(t) = x(t) + k \cdot n_m(t) )，其中( k )为噪声幅值系数；
- 利用EMD分解加入噪声后的信号；
- 多次重复以上操作，并对每次分解得到的IMF结果取均值，最终获得信号的IMF集合。
峭度准则的计算与应用
- 峭度（kurtosis）作为描述信号尖峰度的无量纲参数，值越大表明信号中包含的冲击成分所占比例越高。计算公式为： [ k = \frac{\mu_4}{\sigma^4} - 3 ] 其中，( \mu_4 )为信号的四阶矩，( \sigma^4 )为标准差的四次方。当信号含有较多冲击分量时，其峭度值显着增大。
- 对EEMD分解后所得IMF分量逐一计算峭度值，选取峭度值最大的IMF作为包络解调对象。
包络解调与频谱分析
- 对选定IMF进行Hilbert变换，生成包络信号。
- 使用傅里叶变换将包络信号转换为频谱形式，分析包络谱中的特征频率。
- 根据频谱中显现的特征频率及其边带信息判断故障类型。
研究结果
滚动轴承内圈故障
- 在内圈故障情况下，包络谱中显现的主要频率包括：
- 转频（24 Hz）；
- 内圈特征故障频率（172 Hz）；
- 转频边带（196 Hz）；
- 内圈故障频率的倍频。
- 模态混叠现象被EEMD方法显著抑制，提取过程清晰稳定，实验结果与理论分析一致。
滚动轴承外圈故障
- 在外圈故障情况下，包络谱中特征频率为：
- 包络谱清晰展示外圈故障信息，应力幅值一致性较高，表现出与滚动轴承外圈故障机制相符的振动特性。
结论
本文提出的基于集成经验模态分解（EEMD）与峭度准则的包络解调方法，在滚动轴承故障诊断中表现出良好的适应性和准确性。其主要优势包括： - 有效抑制模态混叠现象； - 自适应提取故障特征信息，无需精确选择滤波中心频率及滤波频带； - 能够清晰而准确地获得滚动轴承振动信号中的故障特征频率。
实验结果验证了该方法能够通过包络谱分析准确判断故障种类，这为解决滚动轴承振动信号非稳态特性分析提供了新的技术途径。这项研究不仅在滚动轴承故障诊断领域提供了重要技术支持，同时也具有广泛应用潜力，为机械设备的早期故障检测及预防维护提供理论依据。
研究亮点
- 初步采用EEMD方法，解决模态混叠问题，显著提升了信号分解的可靠性。
- 引入峭度准则，将信号冲击成分与故障特征信息密切关联，为滚动轴承故障诊断提供更准确和高效的算法。
- 提出步骤清晰的振动信号处理流程，优化现有技术框架，并验证了实验数据的理论一致性。
应用与意义
基于本文方法，可应用于工业领域的滚动轴承故障诊断，帮助提高旋转机械设备的运行效率，降低停机损失及维护成本。此外，该技术还具潜力延伸至其他机械振动信号分析领域，为非平稳信号的识别与处理提供更多方向发展。