图6增程机构仿真分析曲线图1.MARKER_1202.MARKER_1213.MARKER_1224.MARKER_123从图6曲线中可以看出：（1）MARKER_122与MARKER_123的曲线为直线，证明了向上延伸的输送通道上升时平稳无歪斜，为输送物提供了良好的导向；（2）MARKER_121的曲线在拐点（啮合）以前与MARKER_122之间没有出现重合或交叉现象，证明了活动导轨在运动过程中与固定导轨未发生任何干涉；（3）MARKER_120和MARKER_121的曲线与MARKER_122和MARKER_123的直线在啮合终点重合于一点，证明了活动导轨上升到极限位时与固定导轨实现了准确对接。以上分析证明了该增程机构的设计符合设计要求，设计合理，实现了输送设备的输送功能，解决了与平台上方设备的位置避让难题。作者简介：张文焱（1978-），女，河北大名人，工程师，主要从事机械结构研究，电子信箱：wht_nwpu@sohu.com.责任编辑：武伟民收稿日期：2014－04－16!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!0引言小波包分解技术是小波分解的推广，在对信号基于小波包分解和EMD的滚动轴承故障诊断方法研究*文妍，谭继文（青岛理工大学，山东青岛266033）摘要：提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解，并将其高频部分节点信号进行重构，对2个节点的重构信号分别进行EMD分解，得到一系列的IMF分量；提取每个节点的各个IMF分量的能量值并归一化后作为轴承的故障特征量输入神经网络进行诊断。通过实验证明2种方法的结合具有良好的局部分析能力及自适应分解的特点，可以提取更加有效的特征值，因此在进行诊断时，具有更快的速度与更高的准确率。关键词：小波包分解；EMD；故障诊断中图分类号：TP277.3；TH133.3文献标志码：A文章编号：1003－0794（2015）02－0270－03FaultDiagnosisofRollingBearingBasedonWaveletPacketDecompositionandEMDWENYan，TANJi-wen（QingdaoTechnologicalUniversity,Qingdao266033,China）Abstract:ThemethodoffeatureextractionbasedonwaveletpacketdecompositionandEmpiricalModeDecompositionisproposedinthispaper.Thevibrationsignaloffaultisdecomposedbythemethodofwaveletpacketdecomposition.Thehighfrequencypartofthenodesignalisreconstructed.AfterdecomposingthetworeconstructednodesofsignalsbythemethodofEMDrespectively,aseriesoftheIMFcomponentareacquired.TheIMFcomponentofeachnode’senergyiscalculatedanddefinedastheinputneuralnetworkaftertheirnormalization.Experimentsprovethatthecombinationofthetwomethodshavegoodcapabilityofperforminglocalanalysisandalsothecharacteristicsofadaptivedecomposition.Itcanextractmoreeffectivecharacteristicvalues.Thereforetheproposedmethodhasfasterspeedandhigheraccuracyfordiagnosis.Keywords:waveletpacketdecomposition;empiricalmodedecomposition;faultdiagnosis*国家自然科学基金项目（51075220）；青岛市基础研究计划项目（12-1-4-4-（3）-JCH）煤矿机械CoalMineMachineryVol.36No.02Feb.2015第36卷第02期2015年02月doi:10.13436/j.mkjx.201502115故障·诊断MARKER_123MARKER_122MARKER_121MARKER_120时间/s400.0350.0300.0250.0200.0150.0100.00.010.020.030.040.050.01234长度/mm270

的低频部分进行分解的同时，对高频部分也进行分解。小波包分解的实质是对被测信号的多带通滤波处理。与小波分解相比，具有良好的局部分析能力，更适合于含有大量细节信息的非平稳机械振动信号的分解与表示。EMD方法是将信号分解成一系列的固有模态函数IMF分量，各IMF分量包含了信号从高到低的不同频率段的成分，每一频率段所包含的频率成分都不同，且随信号的变化而变化，具有自适应分解的特点，适合分析非线性、非平稳信号。本文将小波包分解与EMD结合起来，用于数控机床典型零部件的故障诊断。首先采用小波包分解对原始的故障信号进行降噪处理，从而提高后续EMD分解的精度。再分别对小波包分解后的重构信号进行EMD分解，计算每个IMF分量的能量值，作为特征向量进行网络训练与测试。这样对于小波包分解后的高频特定频段内再进行EMD分解，获得IMF分量具有较高的故障敏感性，提取每一个IMF的能量值作为特征向量，使得诊断的准确性得以提高。1滚动轴承典型故障以数控机床滚动轴承为诊断对象，按其故障发生部位的不同，分为外圈故障、内圈故障、保持架故障和滚珠故障四大类。为了全面、完整地监测故障信息，设置了3个测点，如图1所示。测点1、2、3分别安装加速度传感器，分别监测滚动轴承X向、Y向、Z向的振动信号。图1传感器分布图1.测点12.测点23.测点34.滚珠丝杠5.轴承座2小波包分解和EMD分解图2为测得的轴承原始信号时域波形，单纯的时域波形杂乱无章，不能反映出有效的故障信息，因此对信号进行必要的处理措施。首先将原始信号进行小波包分解。因为故障信息往往隐含在高频信号中，所以对小波分解第1层的2个节点进行重构，见图3；然后分别对重构信号进行EMD分解，频率从高到低分解为8个IMF，图4和图5分别为2个重构节点的EMD分解得到的IMF。图2原始信号时域波形图3重构节点（1，0）和（1，1）波形图4重构节点（1，0）EMD分解图5重构节点（1，1）EMD分解3故障信号特征提取由于传感器安装位置的影响以及传动过程中受到其他零件振动信号的调制作用，实验中利用振动信号Hilbert边际谱分析，很难识别齿轮的特征频率及高阶谐波的边频带成分。因此采用能量特征提取法，即将振动信号先分解到某一频段内，然后提取包含故障特征频率的频段的能量作为特征值。这种方法避免了精确的特征频率计算。从图4和图5中可以看出，通过EMD分解，2个小波重构信号均由高频至低频被分解为8个频段，计算每一个IMF分量的能量值，进行归一化后，构成了由16个能量值组成的特征向量，作为神经网络的输入，表1为轴承无故障正常状态下的特征向量。第36卷第02期Vol.36No.02基于小波包分解和EMD的滚动轴承故障诊断方法研究———文妍，等12345幅值/V时间/s原始信号时域波形00.511.522.5350-5×10-4时间/s幅值/VIMF2×10-420-20123IMF4×10-550-501230123×10-550-50123×10-550-5IMF6IMF5IMF70123×10-520-2IMF30123×10-420-2IMF10123×10-450-5IMF80123×10-510-1时间/s幅值/VIMF20123×10-420-2IMF40123×10-520-2IMF60123×10-520-2IMF80123×10-510-1IMF70123×10-510-1IMF50123×10-520-2IMF30123×10-550-5IMF10123×10-450-5时间/s幅值/V（a）重构节点（1，0）（b）重构节点（1，1）50-5×10-450-5×10-400.511.522.5300.511.522.53时间/s时间/s幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V时间/s271

表1轴承正常状态特征向量（部分）4故障模型的建立与测试实验中共采集了轴承外圈故障、内圈故障、保持架故障、滚珠故障和无故障正常5种状态下的300组信号，分别提取每一组信号的特征向量。从每种状态中随机抽取50组用于神经网络的训练，剩余10组用于网络的测试。神经网络各个参数设置见表2。表2神经网络参数设置用训练集数据对建立的神经网络模型进行训练，训练过程如图6所示。用测试集数据对训练好的网络进行测试，测试情况如表3所示。图6神经网络训练过程曲线1.训练误差2.目标误差表3网络测试结果为了将本方法与单一小波包分解、EMD分解的方式进行比较，又分别对振动信号直接进行小波包分解、EMD分解，提取其特征能量，建立BP神经网络用于滚动轴承的故障诊断。采用相同的训练样本与测试样本，3种方法的对比结果列于表4。表43种特征提取方法诊断结果对比从表4中可以看出，将信号进行小波包与EMD分解后，再提取特征能量，相比单独使用小波包或者EMD分解后提取特征值的方法，不仅表现为网络训练步数的减小和训练时间的缩短，而且故障诊断的准确率也得到了显著的提升。5结语小波包分解比较机械化，不能自适应地进行频率细化分析；EMD分解虽然具有自适应性，但得到的各个IMF分量的频率成分不能确定到具体的频段，本文将二者结合起来，先对信号进行小波包分解，对信号进行降噪并将信号分解到一个较窄的频带，然后再对其进行EMD分解，最后提取故障的特征能量。通过实验证明了这种方法提高了EMD的分解精度，可以更加准确的提取故障信息，因此在BP神经网络诊断时，用时更短且准确率更高。参考文献：［1］陈丹玲.基于小波包和支持向量机的旋转机械故障诊断方法研究［D］.赣州：江西理工大学，2010.［2］罗忠辉，薛晓宁，王筱珍，等.小波变换及经验模式分解方法在电机轴承早期故障诊断中的应用［J］.中国电机工程学报，2005，25（14）：125-129.［3］刘晓娟，潘宏侠.基于EMD分解和支持向量机的齿轮箱故障诊断与研究［J］.柴油机设计与制造，2011,17（3）：21-26，39.作者简介：文妍（1979-），女，山东章丘人，讲师，在读博士，研究方向：机械系统检测与故障诊断，电子信箱：wy20019d@126.com.责任编辑：庞振峰收稿日期：2014－07－30网络层数3输入层节点数16隐含层节点数23输出层节点数5期望误差0.02学习速率0.1最大训练步数20000训练函数trainrp输入层logsig输出层purelin传递函数特征提取方法小波包EMD小波包与EMD训练步数16393＞200002364最终误差0.02000000.02450050.0199975测试组数505050正确组数423946误判组数8114准确率/%847892第36卷第02期Vol.36No.02基于小波包分解和EMD的滚动轴承故障诊断方法研究———文妍，等步数误差12050010001500200010110010-110-2故障类型正常状态外圈故障滚珠故障保持架故障外圈故障合计测试组数101010101050正确组数1079101046误判组数031004准确率/%100709010010092!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!E1E2E3E4E5E6E7E8E9E10E11E12E13E14E15E1610.5852010.1363550.1799290.079480.013230.001960.0016390.0022060.914550.0624710.0128740.0042540.0015220.000940.0008440.00254520.688770.0929180.1688220.0324190.0072450.0058950.0016240.0023060.9151890.0567750.0163880.0047660.0020220.0013970.0009240.00253930.5722040.1354390.1701950.0849330.0195370.0045940.0025530.0105440.9244610.043540.008010.0042620.0030140.0010430.0004820.01518940.5778190.0949410.2719860.0327650.0073680.004560.008110.0024520.904880.0601950.0143250.0067880.0042020.0034030.0011540.00505350.6613620.1268350.1544220.0343280.0106620.0047560.0061130.0015220.9321790.0468870.0095550.0039660.0026070.00090.0013390.00256860.5614980.1364630.1867180.0896740.0122870.0052140.0022760.005870.8949490.0696540.0125190.0079250.0041760.0019680.0021860.006624序号特征量版权声明：本刊已许可中国学术期刊（光盘版）电子杂志社在中国知网及其系列数据库产品中以数字化方式复制、汇编、发行、信息网络传播本刊全文。作者发表文章稿费、著作权使用费与本刊稿酬一并计算支付。作者向本刊提交文章发表的行为即视为同意我社上述声明。煤矿机械杂志社2014年1月18日272