针对传统车床主轴振动对其他零部件造成不利影响甚至造成损坏等难题,提出了一种基于平均经验模态分解(EEMD)算法以及反向传播(BP)神经网络的车床主轴振动故障在线诊断方法。以某数控车床主轴振动为研究对象,首先介绍了EEMD和BP神经网络方法的原理,并对传感器采集的主轴振动信号进行预处理;然后对处理后的信号进行EEMD,计算出有效的固有模态分量函数(IMF),再以峭度、峰值、均方根值作为选取标准,对故障信号较多的几个IMF分量进行重组;最后将重组后的特征向量输入BP神经网络、支持向量机等两种分类器中进行样本分类识别和对比。试验结果表明,基于EEMD-BP的车床主轴振动在线故障诊断方法具有很好的判别效果。

为了解决EMD方法存在的模态混叠的问题,更加精确有效的利用振动信号进行齿轮的故障识别和诊断,提出一种将总体平均经验模态分解(EEMD)和隐马尔科夫模型(HMM)结合的齿轮故障诊断方法。首先对采集到的原始齿轮振动信号进行EEMD处理,获得包含主要故障信息的各阶固有模态函数(IMF)分量,以能量为元素,提取并构造特征向量,对特征向量进行HMM模型训练和诊断测试,来识别齿轮的工作状态和故障类型,实验结果表明,该方法可以有效提高齿轮的故障诊断准确率和精度。