提出一種新的基于匹配追蹤算法的信號復雜度分析方法,運動軸承知識用于實現對滾動軸承故障沖擊頻率的精確提取,從而實現故障的探測和診斷。仿真信號和實驗信號的分析結果都表明本方法在強噪聲干擾下有很強的提取故障沖擊特征的能力,與包絡譜相比有明顯的優勢。
   根據軸承知識得滾動軸承是應用極其廣泛的零部件,然而它的失效也是導致設備故障最主要的原因之一,因此對于滾動軸承的狀態監測和故障診斷,尤其是早期診斷,顯得尤為重要。軸承最常見的初期失效形是表面點蝕,缺陷產生時會產生周期性的沖擊振動,它的頻率取決于故障部位、轉速和軸承參數,通過對這個故障頻率的提取便可判斷失效的位置。然而在實際采集的振動信號中往往包含復雜的干擾,尤其在故障早期特征成分十分微弱,導致故障特征可能淹沒在各種噪聲下,給分析帶來了困難。常用的軸承信號分析方法,包括倒譜分析、包絡分析等。此外,時頻分析方法如短時傅立葉變換、Wigner-Ville分布、小波,及高級信號處理技術如驗模式分解(EMD)、循環平穩分析等為軸承障診斷技術的發展注入了新的思想。和以上這些方法相比,匹配追蹤是一種具有較強自適應性和靈活性的方法,它使用特定的時頻字典將信號進行稀疏分解。在故障診斷領域,學者們也提出了一些有意義的匹配追蹤算法的應用,Feng將匹配追蹤方法用于齒輪故障的探測;Liu用匹配追蹤方法分析軸承信號,并從選取的分解原子得到時頻圖來診斷軸承故障;Lonescu F將其和遺傳算法結合用于實現軸承狀態的監測和預測。基于匹配追蹤的基本原理,從與上述研究不同的角度提出了一種新的方法來實現強噪下的軸承故障特征精確提取。

---