提出一种新的基于匹配追踪算法的信号复杂度分析方法,运动轴承知识用于实现对滚动轴承故障冲击频率的精确提取,从而实现故障的探测和诊断。仿真信号和实验信号的分析结果都表明本方法在强噪声干扰下有很强的提取故障冲击特征的能力,与包络谱相比有明显的优势。
   根据轴承知识得滚动轴承是应用极其广泛的零部件,然而它的失效也是导致设备故障最主要的原因之一,因此对于滚动轴承的状态监测和故障诊断,尤其是早期诊断,显得尤为重要。轴承最常见的初期失效形是表面点蚀,缺陷产生时会产生周期性的冲击振动,它的频率取决于故障部位、转速和轴承参数,通过对这个故障频率的提取便可判断失效的位置。然而在实际采集的振动信号中往往包含复杂的干扰,尤其在故障早期特征成分十分微弱,导致故障特征可能淹没在各种噪声下,给分析带来了困难。常用的轴承信号分析方法,包括倒谱分析、包络分析等。此外,时频分析方法如短时傅立叶变换、Wigner-Ville分布、小波,及高级信号处理技术如验模式分解(EMD)、循环平稳分析等为轴承障诊断技术的发展注入了新的思想。和以上这些方法相比,匹配追踪是一种具有较强自适应性和灵活性的方法,它使用特定的时频字典将信号进行稀疏分解。在故障诊断领域,学者们也提出了一些有意义的匹配追踪算法的应用,Feng将匹配追踪方法用于齿轮故障的探测;Liu用匹配追踪方法分析轴承信号,并从选取的分解原子得到时频图来诊断轴承故障;Lonescu F将其和遗传算法结合用于实现轴承状态的监测和预测。基于匹配追踪的基本原理,从与上述研究不同的角度提出了一种新的方法来实现强噪下的轴承故障特征精确提取。

---