EMD-CSF在滚动轴承早期微弱故障诊断中应用

滚动轴承早期故障信息微弱并且夹杂大量背景噪声，故障特征难以识别，为增强传统轴承故障诊断算法的噪声适应性、智能性和鲁棒性，提出一种将经验模态分解(Empirical Mode Decomposition,EMD)和卷积稀疏滤波(Convolutional sparse filtering,CSF)相结合的故障诊断模型。首先对振动信号进行EMD处理，选取峭度值较大的前几阶固有模态分量(Intrinsic Mode Function,IMF)进行重构，然后将重构信号进行稀疏特征学习，最后通过分析时域波形和Hilbert包络谱的特征频率及其谐波判别轴承的故障信息。通过滚动轴承的仿真数据与实测试验数据，证明了采用所提方法能够更好识别轴承故障特征，具有更强的抗噪性。