基于ARLMD和IMOMEDA的滚动轴承早期微弱故障诊断

为实现强噪声干扰下滚动轴承早期微弱故障损伤特征的准确识别,提出一种自适应鲁棒局部均值分解(adaptive robust local mean decomposition,ARLMD)和改进多点最优最小熵解卷积(improved multipoint optimal minimum entropy deconvolution adjusted,IMOMEDA)相融合的诊断新方法。首先,利用基于斯皮尔曼相关系数的ARLMD算法对原始信号进行处理,按照线性峭度(L-kurtosis)最大原则筛选出蕴含丰富故障信息的最佳分量,实现原始信号信噪比的有效提升;然后,针对多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)效果受滤波长度影响较大的特点,提出基于余量自相关能量比(residual autocorrelation energy ratio,RAER)的最优滤波长度选取策略,对最佳分量进行IMOMEDA处理,实现周期性冲击特征强化放大;最后,计算解卷积信号的包络谱,从中提取出特征频率信息。仿真、实验及工程信号分析结果表明,所提方法可有效提取强噪声下的微弱故障特征,实现轴承损伤的精确诊断。