滚动轴承早期故障信号微弱,故障特征难以提取。针对此问题,提出一种基于时变滤波经验模态分解(TVF-EMD)模态分量自适应融合与奇异值分解(SVD)降噪的轴承早期故障特征提取方法。为了降低故障信号的非线性和非平稳性,通过TVF-EMD将轴承信号分解为一系列本征模态函数(IMF)。为了克服TVF-EMD分解后IMF分量过多的不足,构造包络故障信息能量占比(EREFI)指标,通过EREFI对IMF分量进行降序排列,并依据包络故障信息能量占比递增原则对IMF分量依次进行融合,直至找到最优融合分量。最后,通过SVD对最优融合分量降噪,并提取故障特征。通过仿真信号以及2个实测轴承故障信号对所提方法性能进行了实验验证。实验结果表明所提方法具有良好的敏感特征筛选融合能力和降噪能力,能更准确提取出轴承早期故障特征,实现故障类型的准确识别。

针对旋转机械转子振动信号通常伴随着强噪声,难以提取其有效信息的问题,提出一种基于时变滤波经验模态分解(Time varying filtering based empirical mode decomposition,TVF-EMD)和Teager能量算子(Teager energy operator,TEO)相结合的故障特征提取方法。首先,用TVF-EMD方法自适应地分解轴承振动信号,以获得一组本征模态函数(Intrinsic mode functions,IMFs);然后,对分解结果进行峭度计算,并根据峭度最大准则选出峰度值最高的敏感分量;进而,利用Teager能量算子对选定的敏感分量进行解调处理,通过观察明显的周期性故障特征频率来实现轴承微弱故障特征提取。进行了仿真和实验,结果证明,该方法能有效实现轴承微弱故障的诊断。