滾動(dòng)軸承振動(dòng)信號(hào)處理方法綜述

胡智勇,胡杰鑫,謝里陽(yáng),佟安時(shí),張嘯塵

(1.東北大學(xué) 航空動(dòng)力裝備振動(dòng)及控制教育部重點(diǎn)實(shí)驗(yàn)室,遼寧 沈陽(yáng) 110819;2.東北大學(xué) 現(xiàn)代設(shè)計(jì)與分析研究所,遼寧 沈陽(yáng) 110819)

滾動(dòng)軸承振動(dòng)信號(hào)處理方法綜述

胡智勇,胡杰鑫,謝里陽(yáng),佟安時(shí),張嘯塵

(1.東北大學(xué) 航空動(dòng)力裝備振動(dòng)及控制教育部重點(diǎn)實(shí)驗(yàn)室,遼寧 沈陽(yáng) 110819;2.東北大學(xué) 現(xiàn)代設(shè)計(jì)與分析研究所,遼寧 沈陽(yáng) 110819)

針對(duì)軸承振動(dòng)信號(hào)處理的各種方法進(jìn)行了全面綜述,研究了軸承振動(dòng)信號(hào)處理的時(shí)域分析法和頻域分析法,指出時(shí)域參數(shù)的具體用法和適用范圍,以及各種頻域分析方法的優(yōu)缺點(diǎn);闡述了時(shí)頻分析方法,該方法克服了時(shí)域與頻域分析不能反映信號(hào)局部特征的缺陷,且對(duì)非平穩(wěn)的故障信號(hào)有較強(qiáng)的處理能力;介紹了一些特殊的分析方法,對(duì)一些具體的軸承振動(dòng)信號(hào)問(wèn)題有較好的處理效果.分析現(xiàn)有的軸承振動(dòng)信號(hào)處理方法,表明各種分析方法取長(zhǎng)補(bǔ)短綜合運(yùn)用以及新技術(shù)、新理論的應(yīng)用,將會(huì)是軸承振動(dòng)信號(hào)處理方法未來(lái)的發(fā)展方向.

滾動(dòng)軸承; 信號(hào)處理; 振動(dòng); 時(shí)域分析; 頻域分析

滾動(dòng)軸承是一種將轉(zhuǎn)軸與軸座之間的滑動(dòng)摩擦轉(zhuǎn)變?yōu)闈L動(dòng)摩擦的精密機(jī)械元件.由于加工或安裝誤差,以及服役過(guò)程中的疲勞、磨損、腐蝕等,都將會(huì)使軸承產(chǎn)生振動(dòng),直接影響整個(gè)轉(zhuǎn)動(dòng)系統(tǒng)的轉(zhuǎn)動(dòng)精度與平穩(wěn)性,甚至?xí)l(fā)嚴(yán)重的機(jī)械事故.因此,有必要對(duì)軸承的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè),以便及時(shí)發(fā)現(xiàn)問(wèn)題,避免產(chǎn)生嚴(yán)重的后果,從而可以降低故障發(fā)生率,減少維修費(fèi)用,提高經(jīng)濟(jì)效益.由此可見(jiàn),研究軸承故障監(jiān)測(cè)與診斷的振動(dòng)信號(hào)處理方法十分必要.

軸承發(fā)生局部缺陷時(shí),會(huì)以一定頻率產(chǎn)生一系列帶寬沖擊和沖擊衰減響應(yīng),表現(xiàn)為復(fù)雜的調(diào)幅振動(dòng);由于缺陷位置不同,振動(dòng)特性也不完全相同[1,2].對(duì)軸承振動(dòng)信號(hào)的處理來(lái)研究軸承運(yùn)行狀態(tài),是一種非常有效的檢測(cè)、診斷方法.

國(guó)際上,美國(guó)學(xué)者是最早進(jìn)行滾動(dòng)軸承故障診斷研究的,提出了用加速度傳感器來(lái)采集振動(dòng)信號(hào)進(jìn)行檢測(cè).英國(guó)人Dyer采用峭度系數(shù)法、Taylor提出尺寸故障計(jì)算方法、Randall采用倒頻譜分析、Mathew采用共振解調(diào)法和AR模型等對(duì)軸承故障監(jiān)測(cè)進(jìn)行的研究也都取得了成果.小波變換在信號(hào)處理方面的優(yōu)越性,使其在軸承故障診斷中得到應(yīng)用廣泛;最小熵反卷積與譜峭度結(jié)合,可有效地對(duì)軸承微弱故障進(jìn)行檢測(cè)[3-5].一些新的方法,如Hilbert-Huang變換(經(jīng)驗(yàn)?zāi)B(tài)分解方法)、分型理論、局部值分解法等,也都應(yīng)用在滾動(dòng)軸承故障中.

國(guó)內(nèi)軸承診斷技術(shù)起步較晚,起初主要是學(xué)習(xí)國(guó)外的先進(jìn)理論與方法,近年來(lái)滾動(dòng)軸承信號(hào)處理方法也有了較大的發(fā)展.李昊[6]在研究小波變換消噪性能的基礎(chǔ)上,提出了一種小波循環(huán)自相關(guān)函數(shù)分析算法,應(yīng)用在了滾動(dòng)軸承振動(dòng)信號(hào)的處理.陳曉平等[7]闡述了利用小波閾值消噪技術(shù)和小波包特征提取方法在滾動(dòng)軸承振動(dòng)信號(hào)處理中的應(yīng)用,大幅度提高了信噪比,同時(shí)也提高了特征信息的靈敏度和分辨率.李毓輝等[8]結(jié)合滾動(dòng)軸承故障信號(hào)譜結(jié)構(gòu)的先驗(yàn)知識(shí),提出了一種半盲均衡方法,實(shí)現(xiàn)了盲均衡器參數(shù)的優(yōu)化,實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了該方法的有效性.

1 滾動(dòng)軸承振動(dòng)機(jī)理

滾動(dòng)軸承振動(dòng)是由外部振源或軸承損傷引起的,潤(rùn)滑劑在軸承運(yùn)轉(zhuǎn)時(shí)產(chǎn)生的流體動(dòng)力也可以是振源.在研究滾動(dòng)軸承振動(dòng)信號(hào)過(guò)程中,主要研究軸承因損壞而產(chǎn)生的振動(dòng),損傷原因主要有磨損、腐蝕、疲勞等.

軸承的磨損主要發(fā)生在滾道與滾動(dòng)體之間,原因可能有異物進(jìn)入、載荷沖擊、潤(rùn)滑不良等.磨損會(huì)使軸承的游隙、表面粗糙度增大,旋轉(zhuǎn)精度降低,同時(shí)也會(huì)加劇軸承磨損,在振動(dòng)方面主要表現(xiàn)為振動(dòng)幅度增大、產(chǎn)生噪聲.工作表面損傷后,損傷點(diǎn)受力時(shí)會(huì)產(chǎn)生突變的沖擊力,其較寬的信號(hào)頻帶會(huì)覆蓋軸承系統(tǒng)高頻處的固有頻率,引起系統(tǒng)簡(jiǎn)諧振動(dòng)[9].

損傷引起的振動(dòng)有兩種類型:一種是由軸承損傷點(diǎn)處受到反復(fù)撞擊而產(chǎn)生的,其頻率與軸承的性質(zhì)有關(guān);另一種是因損傷沖擊而誘發(fā)的高頻固有振動(dòng)[10].

2 信號(hào)處理方法

2.1 時(shí)域分析法

時(shí)域分析是根據(jù)信號(hào)的時(shí)間歷程記錄波形,分析信號(hào)的組成和特征量,從而在時(shí)間坐標(biāo)軸上顯示出振動(dòng)信息的方法,包括時(shí)域波形分析和時(shí)域參數(shù)值分析.滾動(dòng)軸承的振動(dòng)監(jiān)測(cè),一般采用加速度計(jì)來(lái)采集振動(dòng)信號(hào)的時(shí)域波形.

時(shí)域波形作為原始波形,保留了最全面、最完整的信息,為防止有用信息的丟失,在進(jìn)行分析時(shí)不加處理,直接進(jìn)行觀察.

在時(shí)域分析方法中,信號(hào)的基本統(tǒng)計(jì)特征和信號(hào)的概率分布特征在軸承的故障監(jiān)測(cè)與診斷中起到很大的作用.其中,應(yīng)用較為廣泛的時(shí)域指標(biāo)包括峰值、有效值、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、峭度系數(shù)等.

峰值:反映振幅的最大值,可能是由于點(diǎn)蝕而引起振動(dòng)沖擊,是用于監(jiān)測(cè)軸承點(diǎn)蝕的時(shí)域指標(biāo);同樣,比值形式的脈沖指標(biāo)、裕度指標(biāo)和峰值指標(biāo)分子均為峰值,同樣可以根據(jù)其值的變化來(lái)監(jiān)測(cè)點(diǎn)蝕.

有效值:反映振幅隨時(shí)間的緩慢變化,而磨損也是一種由緩及重的變化過(guò)程,因此可以用來(lái)檢測(cè)軸承的磨損程度.

峰值指標(biāo):峰值與有效值的比,當(dāng)出現(xiàn)點(diǎn)蝕產(chǎn)生損傷時(shí),峰值加大,而有效值變化緩慢,其指標(biāo)值增加,后又因有效值的增大,比值減小,由此可以判斷軸承是否發(fā)生故障.

峰值、脈沖指標(biāo)、裕度指標(biāo)等是對(duì)軸承早期故障敏感的參數(shù),在早期軸承監(jiān)測(cè)中,其值變化較大;有效值因變化不太明顯,不適合早期的軸承故障診斷,但其較好的穩(wěn)定性,與前三個(gè)參數(shù)相結(jié)合,也可以很好地進(jìn)行軸承的故障監(jiān)測(cè)與診斷.

峭度系數(shù)K,表示樣本密度函數(shù)的頂峰凸平度和觀測(cè)值的分散程度,可以分為正峭度(K>3)、零峭度(K=3)和負(fù)峭度(K<3),此參數(shù)不適合軸承晚期的故障診斷.

時(shí)域分析方法中,峰值與峭度系數(shù)等均為無(wú)量綱特征參數(shù),克服了軸承及其工作特性的影響.整體來(lái)說(shuō),時(shí)域分析法的處理過(guò)程不會(huì)使信號(hào)發(fā)生畸變或損失,使用最原始資料進(jìn)行軸承的故障診斷;時(shí)域分析法不受信號(hào)的絕對(duì)水平的影響,不論測(cè)點(diǎn)是否有變動(dòng),對(duì)信號(hào)處理的結(jié)果影響不大.時(shí)域法適合于軸承故障監(jiān)測(cè)的早期診斷,并且時(shí)域分析法的精密程度不夠好.

2.2 頻域分析法

滾動(dòng)軸承的頻域分析法較時(shí)域分析法精密度要高,其原理是將時(shí)域信號(hào)變換到頻域中,根據(jù)頻譜分析來(lái)對(duì)軸承進(jìn)行監(jiān)測(cè).在軸承振動(dòng)信號(hào)提取過(guò)程中會(huì)混入大量的背景噪聲,這會(huì)對(duì)頻譜分析產(chǎn)生不利的影響,因此需要先進(jìn)行濾波處理,提高信噪比.頻域分析法的理論基礎(chǔ)是傅里葉變換法,常用的具體方法有倒頻譜分析、共振解調(diào)技術(shù)和譜峭度法.

倒頻譜分析法也稱為二次頻譜分析,是在倒頻譜上識(shí)別軸承振動(dòng)信號(hào)頻率組成分量的方法.具體方法是將功率譜的對(duì)數(shù)值進(jìn)行傅里葉變換,把復(fù)雜的卷積關(guān)系轉(zhuǎn)變?yōu)楹?jiǎn)單的線性疊加.倒頻譜分析抗傳遞途徑的干擾能力強(qiáng),即所測(cè)得的信號(hào)受信號(hào)的傳播路徑影響小,可以較為真實(shí)地反映振源的特性.但倒頻譜分析對(duì)于軸承出現(xiàn)多點(diǎn)損傷時(shí)的監(jiān)測(cè)有一定的盲目性,可能會(huì)降低診斷精度.

共振解調(diào)技術(shù)的具體原理為:當(dāng)軸承的工作表面出現(xiàn)損傷時(shí),損傷點(diǎn)的接觸動(dòng)作會(huì)產(chǎn)生很大的沖擊脈沖力,脈沖的帶寬覆蓋于軸承系統(tǒng)的整個(gè)固有頻率,會(huì)引起系統(tǒng)的固有振動(dòng),也會(huì)使軸承在各個(gè)固有頻率上發(fā)生諧振,并伴有幅值的調(diào)制現(xiàn)象;根據(jù)實(shí)際需要,選擇某一頻率作為研究對(duì)象,利用高頻帶通濾波器將故障信息解調(diào)出來(lái),再經(jīng)過(guò)低通濾波器處理,得到相對(duì)低頻沖擊并放大擴(kuò)展的共振諧波,處理后的信號(hào)包含故障特征信息的低頻包絡(luò)信號(hào),通過(guò)對(duì)這一包絡(luò)信號(hào)進(jìn)行頻譜分析就可以對(duì)軸承進(jìn)行故障監(jiān)測(cè)與分析.共振解調(diào)技術(shù)在很大程度上提高了信噪比,對(duì)軸承微弱的沖擊信號(hào)有很強(qiáng)的敏感性,是軸承故障診斷較為有效的方法;但該方法也存在局限性,即帶通濾波器參數(shù)的選擇.

譜峭度法可以為共振解調(diào)技術(shù)提供準(zhǔn)確的帶通濾波器參數(shù)[11].Dwyer最早提出譜峭度這一概念,目的是為了解決功率譜無(wú)法檢測(cè)和提取信號(hào)中瞬態(tài)現(xiàn)象等問(wèn)題.起初該方法并未得到普遍應(yīng)用,主要因?yàn)槠涠x不完善、估計(jì)程序不完整.J.Antoni對(duì)譜峭度法進(jìn)行了深入研究,給出了譜峭度的正式定義,才使其在故障診斷領(lǐng)域的應(yīng)用變得成熟.

其他的頻域分析法還有傅里葉變換法、功率譜分析法等.在信號(hào)處理中,傅里葉變換的典型用途是將信號(hào)分解成幅值譜,用來(lái)顯示與頻率對(duì)應(yīng)的幅值大小.傅里葉變換法不會(huì)造成信息的丟失,通過(guò)觀察各頻率的譜線來(lái)進(jìn)行故障的監(jiān)測(cè)與診斷.功率譜分析包含兩種方法,自功率譜密度分析與互功率譜密度分析,都是研究信號(hào)在頻域中的各種特征,從頻域內(nèi)提取淹沒(méi)在噪聲中有用的信號(hào).

2.3 時(shí)頻分析法

軸承振動(dòng)信號(hào)時(shí)域與頻域分析僅僅能從整體對(duì)信號(hào)進(jìn)行處理,無(wú)法反映信號(hào)局部的特征.時(shí)頻分析方法則可以反映信號(hào)頻率與時(shí)間之間的相互關(guān)系,以及信號(hào)的局部特征,并且對(duì)非平穩(wěn)的故障信號(hào)有較強(qiáng)的處理能力.時(shí)頻分析法主要包括小波變換、短時(shí)傅里葉變換、威格納時(shí)頻分布和EMD方法等.

在信號(hào)提取過(guò)程中不可避免會(huì)帶來(lái)噪聲的干擾,如果不加必要的處理,會(huì)使特征的提取出現(xiàn)問(wèn)題,正確性降低,必須采取相應(yīng)的措施進(jìn)行消噪的處理.采集到的非平穩(wěn)振動(dòng)信號(hào),利用傳統(tǒng)消噪方法處理獲得的結(jié)果不理想,因此可以利用小波分析來(lái)進(jìn)行消噪.小波分析是一種多分辨率的方法,在時(shí)頻平面不同位置具有不同的分辨率,其克服了傳統(tǒng)信號(hào)處理方法只有單一分辨率的局限.

小波分解法還可以進(jìn)一步改進(jìn)為小波包分解.小波包分解是將小波分解得到的高頻成分進(jìn)一步分解,克服了小波分解只對(duì)低頻成分進(jìn)行分解的缺點(diǎn),是一種更加細(xì)化的分解.當(dāng)滾動(dòng)軸承出現(xiàn)故障時(shí),某些頻帶內(nèi)的振動(dòng)信號(hào)能量將減少,而另一些頻帶內(nèi)振動(dòng)信號(hào)能量將增加,各頻率成分都含有有用的特征信息,利用小波包分解提取后,直接根據(jù)故障頻率的映射關(guān)系便可判別出軸承的故障原因.因此,小波包分解是一種十分有效的軸承振動(dòng)信號(hào)處理方法.

短時(shí)傅里葉變換不能同時(shí)兼顧頻率與時(shí)間分辨率:當(dāng)頻率增高時(shí),時(shí)間分辨率就會(huì)降低;反之,時(shí)間分辨率就會(huì)增高.而當(dāng)信號(hào)變化劇烈時(shí),要求窗函數(shù)具有較高的時(shí)間分辨率;波形變化平緩時(shí),則要求窗函數(shù)具有較高的頻率分辨率.因此,短時(shí)傅里葉變換僅適用于分段平穩(wěn)信號(hào)或近似平穩(wěn)信號(hào),并不適用于非平穩(wěn)信號(hào).

威格納(Wigner-Ville)時(shí)頻分布有利于處理非平穩(wěn)和時(shí)變信號(hào).這種方法由Wigner提出,由Ville將其引入信號(hào)分析領(lǐng)域.威格納時(shí)頻分布比短時(shí)傅里葉變換有更好的分辨率,但其卻存在交叉干擾項(xiàng),迄今這一問(wèn)題也未能很好地解決.

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)方法是由美國(guó)NASA的黃鍔博士提出的,與傅里葉分解與小波分解方法相比,該方法不需要設(shè)定任何基函數(shù),是一種直觀的、自適應(yīng)的、后驗(yàn)的方法.EMD方法可以處理任何類型的信號(hào),尤其適用于非平穩(wěn)信號(hào).

局部均值分解(LMD)[12]方法是由Smith提出的,是一種新的非線性和非平穩(wěn)信號(hào)分析方法.其核心思想是將復(fù)雜的多分量信號(hào)分解為若干個(gè)PF(Product function,簡(jiǎn)稱PF)分量之和,每個(gè)分量都是包絡(luò)信號(hào)和純調(diào)頻信號(hào)的乘積,較好地保持了原始信號(hào)的幅值和頻率的變化特性,將所有的分量進(jìn)行一定的組合便可以得到原始信號(hào)的時(shí)頻分布.這種方法與經(jīng)驗(yàn)?zāi)B(tài)分解法有相似之處,并且具有較高的信噪比,適用于非平穩(wěn)、非線性的信號(hào)處理.

2.4 其他信號(hào)處理方法

G.L.McDonald等人提出了一種新的信號(hào)分析處理方法——最大相關(guān)峭度反卷積(MCKD)方法,此方法通過(guò)選取一個(gè)有限沖擊響應(yīng)濾波器,使已知周期信號(hào)濾波后相關(guān)峭度最大,迭代求取最大相關(guān)峭度反卷積,此方法在診斷周期性的沖擊和抑制噪聲方面有很好的效果.在MCKD方法的基礎(chǔ)上,徐繼剛提出了高階位移相關(guān)峭度反卷積方法,在對(duì)采樣信號(hào)進(jìn)行降噪的同時(shí)強(qiáng)化周期性的沖擊成分[13].該方法可以提高故障監(jiān)測(cè)能力,但高階也增加了計(jì)算的復(fù)雜性.在信號(hào)處理時(shí),正確選取T(周期參數(shù))與M(移位數(shù))是十分關(guān)鍵的,如果M取值較大時(shí),迭代法會(huì)降低數(shù)值的精度.

李毓輝等綜合運(yùn)用盲均衡技術(shù)和計(jì)算階次跟蹤技術(shù)提出一種滾動(dòng)軸承振動(dòng)信號(hào)半盲處理方法,該方法結(jié)合了滾動(dòng)軸承故障信號(hào)譜結(jié)構(gòu)的先驗(yàn)知識(shí),利用計(jì)算階次跟蹤分析得到盲均衡后振動(dòng)信號(hào)的階次譜圖,然后根據(jù)故障信號(hào)的譜結(jié)構(gòu)實(shí)現(xiàn)盲均衡濾波器參數(shù)N(每個(gè)通道的樣本數(shù))和τ(時(shí)間延遲數(shù))的優(yōu)化.該方法基于任意旋轉(zhuǎn)機(jī)械的信號(hào)都是具有循環(huán)平穩(wěn)的特性,通過(guò)數(shù)據(jù)關(guān)聯(lián)和數(shù)據(jù)級(jí)信息融合,得到的信號(hào)要優(yōu)于原始傳感器獲得的信號(hào),這在工程中有利于對(duì)軸承故障的診斷.

唐國(guó)明等提出了基于虛擬儀器,運(yùn)用LabVIEW軟件,應(yīng)用自回歸模型功率譜分析AR(p)方法對(duì)滾動(dòng)軸承信號(hào)進(jìn)行處理[14].虛擬儀器由軟、硬件平臺(tái)組成,用LabVIEW語(yǔ)言編寫(xiě)程序,而且AR(p)方法易于在計(jì)算機(jī)上實(shí)現(xiàn).在軸承信號(hào)的處理方法中,頻域分析應(yīng)用較為廣泛,頻域參數(shù)的獲得大多數(shù)是通過(guò)傅里葉變換,其缺點(diǎn)是計(jì)算量非常大.而AR(p)功率譜處理信息具有過(guò)程簡(jiǎn)單、計(jì)算量小、模型參數(shù)估計(jì)較為準(zhǔn)確,得到的譜線光滑、譜峰突出等優(yōu)點(diǎn),準(zhǔn)確的AR(p)能夠較好的反映出動(dòng)態(tài)系統(tǒng)的客觀規(guī)律,為研究軸承振動(dòng)的本質(zhì)提供可靠的數(shù)據(jù),但AR(p)對(duì)噪聲干擾也較為敏感.虛擬儀器的使用,能實(shí)現(xiàn)傳統(tǒng)儀器的功能,隨著科技的不斷發(fā)展,虛擬儀器可以更廣泛的運(yùn)用到故障監(jiān)測(cè)與診斷當(dāng)中.

數(shù)學(xué)形態(tài)學(xué)信號(hào)處理方法[15]:形態(tài)學(xué)最初是應(yīng)用在圖像處理領(lǐng)域,由法國(guó)地質(zhì)學(xué)家Matheron和Serra創(chuàng)立,后來(lái)在信號(hào)處理方面也得到了應(yīng)用.相對(duì)于小波變換、短時(shí)傅里葉變換、威格納時(shí)頻分布等非線性非平穩(wěn)信號(hào)的處理方法,數(shù)學(xué)形態(tài)法的濾波效果更好.利用其處理滾動(dòng)軸承振動(dòng)信號(hào)時(shí),根據(jù)軸承振動(dòng)特點(diǎn)引入形態(tài)學(xué)方法,構(gòu)造出有降噪功能的形態(tài)學(xué)濾波器對(duì)信號(hào)進(jìn)行處理,還原振動(dòng)的真實(shí)信號(hào),從而對(duì)軸承的故障進(jìn)行監(jiān)測(cè)與診斷.數(shù)學(xué)形態(tài)學(xué)在振動(dòng)故障診斷中的應(yīng)用才剛剛起步,還有待于進(jìn)一步地完善.由于數(shù)學(xué)形態(tài)學(xué)的濾波特性,小波變換的多分辨率特性,二者的結(jié)合使用是未來(lái)重點(diǎn)深入研究的內(nèi)容.

模糊識(shí)別方法:模糊診斷的前期工作是建立隸屬矩陣R,即故障與征兆之間的模糊關(guān)系矩陣,這種矩陣可以通過(guò)經(jīng)驗(yàn)數(shù)據(jù)、統(tǒng)計(jì)數(shù)據(jù)、實(shí)驗(yàn)數(shù)據(jù)得到.當(dāng)提取軸承的振動(dòng)信號(hào)X以后,經(jīng)過(guò)運(yùn)算Y=XR,得到Y(jié)值,通過(guò)Y值的特征來(lái)進(jìn)行軸承故障的監(jiān)測(cè)與診斷.這種方法適用于軸承的早期故障診斷,并且有較好的效果.

神經(jīng)網(wǎng)絡(luò)方法:以神經(jīng)元為信息處理的基本單元,信息通道為神經(jīng)元之間的連接弧,由多個(gè)神經(jīng)元共同組成網(wǎng)絡(luò)結(jié)構(gòu),特點(diǎn)是具有聯(lián)想、記憶和學(xué)習(xí)的功能.在機(jī)械故障診斷中,BP神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法應(yīng)用較為廣泛.BP算法的基本思想是把相似模式的特征值提取出來(lái),并映射到連接權(quán)值上,這是網(wǎng)絡(luò)學(xué)習(xí)的一個(gè)過(guò)程.當(dāng)網(wǎng)絡(luò)遇到一個(gè)新模式時(shí),將其特征值與所學(xué)習(xí)到的各類特征值相比較,從而判斷其類別.由于神經(jīng)網(wǎng)絡(luò)的函數(shù)具有逼近和記憶的處理能力,其在處理軸承振動(dòng)信號(hào)時(shí),將振動(dòng)的特征參數(shù)轉(zhuǎn)化為特征向量,進(jìn)而實(shí)現(xiàn)對(duì)滾動(dòng)軸承的故障監(jiān)測(cè)與診斷.BP的改進(jìn)算法優(yōu)點(diǎn)是網(wǎng)絡(luò)學(xué)習(xí)的速度較快,并且很大程度避免發(fā)生陷入局部極小的情況.

遺傳算法(GA)是一種模擬自然界中自然選擇和種群遺傳的算法,具有隨機(jī)、迭代及進(jìn)化等特點(diǎn).這種算法可使問(wèn)題的解不斷優(yōu)化,并逼近最優(yōu)的值,適用于處理復(fù)雜非線性問(wèn)題,在信息處理中得到廣泛的應(yīng)用.此外,遺傳算法的改進(jìn)方法使得收斂更快,并避免陷入局部極小.

灰色理論是由華中理工大學(xué)教授鄧聚龍?jiān)?982年提出的,陳家驥等基于此提出了灰色系統(tǒng)關(guān)聯(lián)診斷法,其特點(diǎn)為不需要大的樣本量,不受振動(dòng)信號(hào)參數(shù)分布影響,計(jì)算量較小,結(jié)果與定性結(jié)論一致等.通過(guò)建立故障與正常的模型,將實(shí)測(cè)模型與其相關(guān)聯(lián),找出關(guān)聯(lián)程度最大的模型,即可判斷是否發(fā)生故障.

奇異值分解方法[16-18]:在軸承損傷處于早期或比較輕微時(shí),軸承工作時(shí)受到的沖擊并不明顯,由其引起的調(diào)幅現(xiàn)象也是十分微弱的,這樣就被軸承其它振動(dòng)頻率以及參入的噪聲淹沒(méi)了.這時(shí)如果使用包絡(luò)法,其處理的振動(dòng)信號(hào)的效果并不明顯,而奇異值分解方法則解決了這一問(wèn)題.同時(shí),奇異值分解方法還可以根據(jù)其處理得到的完整調(diào)幅信號(hào),得出載波和被調(diào)制的低頻信號(hào)頻率;SUV消噪方法具有零相移、波形失真小、信噪比高等優(yōu)點(diǎn);奇異值分解方法使處理結(jié)果調(diào)幅特征十分明顯,要好于帶通濾波器的效果.

Teager能量算子是一種非線性信號(hào)處理方法,實(shí)質(zhì)是運(yùn)用了差分運(yùn)算.這種算法計(jì)算較為簡(jiǎn)單,且時(shí)間分辨率高.基于Teager能量算子,王天金等提出了一種的頻譜分析方法[19],具體應(yīng)用步驟:第一步,運(yùn)用Teager能量算子進(jìn)行運(yùn)算;第二步,對(duì)瞬時(shí)Teager能量序列進(jìn)行傅里葉變換,獲得Teager能量譜;第三步,將Teager能量譜中的主導(dǎo)頻率與已知軸承各種故障的頻率進(jìn)行對(duì)比,從而得出故障原因.

隱馬爾可夫模型(HMM)作為一種統(tǒng)計(jì)分析模型,創(chuàng)立于20世紀(jì)70年代.80年代得以傳播、發(fā)展,成為信號(hào)處理的一個(gè)重要研究方向.有些學(xué)者將其運(yùn)用在軸承故障狀態(tài)辨識(shí)中,也取得了較好的效果.

沖擊脈沖法(SPM)是根據(jù)故障軸承產(chǎn)生的低頻沖擊脈沖信號(hào)激起SPM傳感器的共振,經(jīng)過(guò)窄帶濾波器和脈沖形成電路得到一定頻段的脈沖序列.SPM方法就是依據(jù)這些脈沖序列來(lái)對(duì)軸承進(jìn)行故障的監(jiān)測(cè)與診斷,這種方法被認(rèn)為是一種有效的軸承故障診斷方法,但當(dāng)背景噪聲很強(qiáng)或有其它的沖擊源時(shí),SPM方法的判斷能力就會(huì)下降,失去了診斷能力.

集合經(jīng)驗(yàn)?zāi)７纸?EEMD)方法是針對(duì)EMD方法的不足,提出的一種噪聲輔助數(shù)據(jù)分析方法,有效解決了EMD方法的混頻現(xiàn)象.蘇文勝提出了基于EMD降噪和譜峭度法的滾動(dòng)軸承振動(dòng)信號(hào)處理方法[20],突出了振動(dòng)信號(hào)的特征成分,有利于軸承故障的診斷.同時(shí)提出了一種基于小波包樣本熵的滾動(dòng)軸承故障診斷方法,通過(guò)計(jì)算,得出該算法可以較好地預(yù)測(cè)軸承的運(yùn)行狀態(tài).還提出了一種基于最優(yōu)Morlet小波濾波器和自相關(guān)增強(qiáng)算法,并通過(guò)實(shí)驗(yàn)證明了這種信號(hào)處理方法比基于EMD降噪和譜峭度法的滾動(dòng)軸承振動(dòng)信號(hào)處理方法能診斷更早期的軸承故障.

Kalman濾波的信號(hào)處理方法,計(jì)算量較小,可以用于非平穩(wěn)狀態(tài).通過(guò)仿真模擬和實(shí)驗(yàn),可以看出Kalman濾波的降噪功能非常好,得出的譜線十分光滑,有用的特征信息十分明顯.

S Abdusslam等[21]人采用了一種小波變換、包絡(luò)分析與時(shí)間編碼信號(hào)處理識(shí)別(TESPAR)相結(jié)合的方法進(jìn)行軸承的輕微故障診斷,這種方法有很好的故障識(shí)別能力.

LIU Qing-jie等人比較了消除多項(xiàng)式趨勢(shì)法和五點(diǎn)三次平滑方法[22].實(shí)驗(yàn)結(jié)果表明,前者效果不明顯,而后者消除了高頻噪聲,同時(shí)信號(hào)曲線變得光滑.

Li Changning等[23]提出一種基于α穩(wěn)態(tài)分布的新的非高斯統(tǒng)計(jì)模型,可以精確描述軸承故障信號(hào)的統(tǒng)計(jì)特征.

Wei zhou等[24]描述了維納濾波信號(hào)處理方法在軸承振動(dòng)信號(hào)處理中的應(yīng)用,指出其具有信號(hào)的降噪功能,不受軸承參數(shù)的影響.Yang Ming等[25]提出了一種基于循環(huán)維納濾波和包絡(luò)譜的信號(hào)處理方法,并通過(guò)仿真與實(shí)驗(yàn)真實(shí)數(shù)據(jù)證明了方法的有效性.

Li Meng等[26]研究了支持向量機(jī)(SVM)在軸承故障診斷中的應(yīng)用.SVM對(duì)小訓(xùn)練樣本有很好的分類性能,診斷精度對(duì)內(nèi)核函數(shù)和參量依賴小,適合于工程應(yīng)用.SVM與主成分分析(PCA)法的結(jié)合可以有效地提取故障特征,準(zhǔn)確識(shí)別故障模式.Wu Bin等[27]提出了SVM與HMM相結(jié)合的方法,并驗(yàn)證了該方法的有效性.Du Yi等[28]提出了一種概率盒與登普斯特謝佛結(jié)構(gòu)(DSS)相結(jié)合方法,并利用SVM方法減少計(jì)算量,這種方法具有快速、對(duì)噪聲不敏感、識(shí)別率高和準(zhǔn)確度高等優(yōu)點(diǎn).

此外,分形盒維數(shù)方法、維譜分析法及其相關(guān)方法等也被不少學(xué)者應(yīng)用于軸承振動(dòng)信號(hào)的處理中,并取得了一些成效.

3 結(jié)論

3.1 現(xiàn)有信號(hào)處理技術(shù)的綜合運(yùn)用

到目前為止,軸承振動(dòng)信號(hào)故障診斷方法已發(fā)展到可觀的數(shù)量,每一種信號(hào)處理方法都有其優(yōu)點(diǎn),但也存在其局限性.例如,峰值、峭度等參數(shù)對(duì)沖擊信號(hào)敏感,但不能分辨出沖擊信號(hào)的來(lái)源,可能有盲目性,產(chǎn)生誤判.有些信號(hào)處理方法較為準(zhǔn)確,但算法復(fù)雜,計(jì)算量很大,對(duì)設(shè)備的要求較高.有些信號(hào)處理方法對(duì)工作人員的經(jīng)驗(yàn)水平和操作能力要求較高,有一定的先驗(yàn)性,如譜分析法.此外,新出現(xiàn)的智能信號(hào)處理方法理論不夠完善,有待于進(jìn)行改進(jìn)和優(yōu)化.

既然各種信號(hào)處理方法各有優(yōu)缺點(diǎn),如果在它們之中進(jìn)行選取,結(jié)合起來(lái)綜合運(yùn)用,會(huì)帶來(lái)好的效果.可以先采用時(shí)域法進(jìn)行信號(hào)的預(yù)處理,提取出有用信息,如特征參數(shù),故障特點(diǎn)等;再結(jié)合預(yù)處理結(jié)果通過(guò)頻域法或時(shí)頻法進(jìn)行精確診斷,會(huì)使結(jié)果較為準(zhǔn)確.有的信號(hào)處理計(jì)算量小,有的方法分析準(zhǔn)確,但計(jì)算量大,可以用計(jì)算量小的方法進(jìn)行計(jì)算處理,再用分析準(zhǔn)確的方法進(jìn)行分析,使得方法各自發(fā)揮其優(yōu)點(diǎn),互相彌補(bǔ)不足,從而實(shí)現(xiàn)軸承故障監(jiān)測(cè)診斷又好又快.

3.2 信號(hào)處理技術(shù)的發(fā)展趨勢(shì)

軸承振動(dòng)信號(hào)的處理不是一個(gè)簡(jiǎn)單的問(wèn)題,振動(dòng)過(guò)程中的噪聲參入,振動(dòng)狀態(tài)的非線性,非高斯性,非平穩(wěn)性等,都會(huì)給軸承振動(dòng)信號(hào)的處理帶來(lái)困難.如何監(jiān)測(cè)軸承的運(yùn)行狀態(tài),準(zhǔn)確找出軸承的故障的根源,是一個(gè)必須解決的問(wèn)題.隨著計(jì)算機(jī)技術(shù)及虛擬網(wǎng)絡(luò)技術(shù)的發(fā)展,診斷儀器硬件、軟件診斷設(shè)備的日趨精良,技術(shù)人員水平的不斷提高,軸承故障監(jiān)測(cè)與診斷技術(shù)將不斷發(fā)展、進(jìn)步.軸承故障診斷信號(hào)處理手段的可能發(fā)展趨勢(shì)歸納如下:

(1) 多種信號(hào)處理技術(shù)的完善與相互結(jié)合應(yīng)用.單一的信號(hào)處理方法并不十分完善,可靠性有待提高,信號(hào)的處理過(guò)程也是有待于改善的.多種信號(hào)處理方法的結(jié)合,克服單一方法的不足,以提高信號(hào)的診斷效率與準(zhǔn)確率.

(2) 智能的信號(hào)處理方法將會(huì)極大地發(fā)展.智能化是當(dāng)今時(shí)代的主流,這一現(xiàn)象也會(huì)反映在軸承的振動(dòng)信號(hào)處理方法方面.計(jì)算機(jī)及網(wǎng)絡(luò)的發(fā)展,虛擬神經(jīng)系統(tǒng)的開(kāi)發(fā)與完善,人工智能技術(shù)的進(jìn)步,開(kāi)拓了信號(hào)處理的另一個(gè)領(lǐng)域.自動(dòng)識(shí)別信號(hào)的特征,對(duì)其進(jìn)行分析、歸納與整理,加以判斷等功能將會(huì)不斷發(fā)展,降低技術(shù)人員的勞動(dòng)強(qiáng)度.這是與計(jì)算機(jī)的發(fā)展密不可分的.

(3) 信號(hào)處理技術(shù)在工程中的應(yīng)用.所有的技術(shù)理論發(fā)展都會(huì)應(yīng)用于工程中來(lái).理論結(jié)合工程實(shí)際,將會(huì)引領(lǐng)信號(hào)處理技術(shù)的發(fā)展方向.工程問(wèn)題一般較為復(fù)雜,影響因素多,也有其固有的特點(diǎn)與規(guī)律,熟悉與掌握了這些特點(diǎn)與規(guī)律,將會(huì)使信號(hào)處理方法更加有效,更加有實(shí)用性.

(4) 新的信號(hào)處理方法不斷出現(xiàn),其它理論的結(jié)合應(yīng)用.信號(hào)處理的方法趨于多樣化,復(fù)合化.其它的理論正逐漸應(yīng)用于信號(hào)的處理之中,同時(shí),又會(huì)有新的理論提出并應(yīng)用于信號(hào)的處理.這將會(huì)給信號(hào)處理技術(shù)注入新鮮的血液,有利于這一領(lǐng)域快速地發(fā)展.

[1] GAO Q,DUAN C,FAN H.Rotating machine fault diagnosis using empirical mode decomposition[J].Mechanical Systems and Signal Processing,2008,22:1072-1081.

[2] WANG Jiangping,HU Hongtao.Vibration-based fault diagnosis of pump using fuzzy technique[J].Measurement,2006,39:176-185.

[3] Sawalhi N,Randall R B,Endo H.The enhancement of fault detection and diagnosis in rolling element bearings using minimum entropy deconvolution combined with spectral kurtosis [J].Mechanical Systems and Signal Processing 2007,(21):2616-2633.

[4] Antoni Jeromef,The spectral kurtosis.A useful tool for characterizing non-stationary signals[J].Mechanical System and Signal Processing,2006,20:282-307.

[5] Antoni Jeromef,Randall R B.The spectral kurtosis:application to the vibratory surveillance and diagnosis of rotationmachines[J].Mechanical System and Signal Processing,2006,20:308-331.

[6] 李昊.基于小波循環(huán)自相關(guān)分析方法的滾動(dòng)軸承振動(dòng)信號(hào)處理技術(shù)的研究[D].長(zhǎng)沙:中南大學(xué),2005.

LI Hao.Method of rolling bearing based on wavelet cyclic autocorrelation analysis of vibration signal processing research [D].Changsha:Central South University,2007.

[7] 陳曉平,和衛(wèi)星,陳季云.基于小波分析的滾動(dòng)軸承振動(dòng)信號(hào)處理[J].儀器儀表學(xué)報(bào),2008,29(4):197-200.

CHEN Xiaoping,HE Weixing,CHEN Jiyun.Wavelet based analysis for rolling bearing vibration signal processing [J].Chinese Journal of Scientific Instrument,2008,29(4):197-200.

[8] 李毓輝,盧如平,方丹,等.故障滾動(dòng)軸承振動(dòng)信號(hào)的半盲處理方法研究[J].振動(dòng)與沖擊,2009,28(12):80-83.

LI Yuhui,LU Ruping,FANG Dan,et al.Research on semi-blindsignal processing method for faulty rolling bearing vibration signal [J].Journal of vibration and shock,2009,28(12):80-83.

[9] Nan Chyuan Tsai,Yueh Hsun King,Rong Mao Lee.Fault diagnosis for magnetic bearing systems[J].Mechanical Systems and Signal Processing,2009,23:1339-1351.

[10] Alonsoa F J,Salgado D R.Analysis of the structure of vibration signals for tool wear detection [J].Mechanical Systems and Signal Processing,2008,22:735-748.

[11] Daubechies I.The wavelet transform time-frequency localization and signal analysis[J].IEEE Trans on Information Theory,1990,36(5):961-1006.

[12] Jonathan S Smith.The local mean decomposition and its application to EEG perception data [J].Journal of The Royal Society Interface,2005,2:433-454.

[13] 徐繼剛.滾動(dòng)軸承振動(dòng)信號(hào)處理與故障識(shí)別方法研究[D].蘭州:蘭州理工大學(xué),2012.

XU Jigang.The research of rolling bearing vibration signal processing and fault recognition method [D].Lanzhou:Lanzhou University of Technology,2012.

[14] 唐國(guó)明,楊曙年.基于虛擬儀器的軸承振動(dòng)信號(hào)處理技術(shù)[J].軸承,2005(12):24-27.

TANG Guoming,YANG Shunian.Bearing vibration signal processing technique based on virtual instrument [J].Bearing,2005(12):24-27.

[15] 郭曉鑫,劉立,馮志鵬.數(shù)學(xué)形態(tài)學(xué)在信號(hào)處理中的應(yīng)用綜述[J].儀器儀表學(xué)報(bào),2009,30(10):187-191.

GUO Xiaoxin,LIU Li,FENG Zhipeng.Mathematical morphology review and its applicaitons in signal porcessing [J].Chinese Journal of Scientific Instrument,2009,30(10):187-191.

[16] Lehtola L,Karsikas M,Koskinen M,et al.Effects of noise and filtering on SVD-based morphological parameters of the T wave in the ECG[J].Journal of Medical Engineering and Technology,2008,32(5):400- 407.

[17] Mark B,Jiang D.Noise reduction in multiple-echo data sets using singular value decomposition[J].Magnetic Resonance Imaging,2006,24(2):849- 856.

[18] Cempel C.Generalized singular value decomposition in multidimensional condition monitoring of machines- A proposal of comparative diagnostics[J].Mechanical Systems and Signal Processing,2009,23(3):701- 711.

[19] 王天金,馮志鵬,郝如江,等.基于Teager能量算子的滾動(dòng)軸承故障診斷研究[J].振動(dòng)與沖擊,2012,31(2):1-6.

WANG Tianjin,FENG Zhipeng,HAO Rujiang,et al.Fault diagnosis of rolling element bearings based on Teager energy operator [J].Journal of vibration and shock,2012,31(2):1-6.

[20] 蘇文勝.滾動(dòng)軸承振動(dòng)信號(hào)處理及特征提取方法研究[D].大連:大連理工大學(xué),2010.

SU Wensheng.Research on rolling element bearing vibration signal processing and feature extraction method [D].Dalian:Dalian University of Technology,2010.

[21] ABDUSSLAM S,RAHARJO P,GU P,et al.Bearing defect detection and diagnosis using a time encoded signal processing and pattern recognition method[C]∥Comadem2012,25th International Congress on Condition Monitoring and Diagnostic Engineering.Bristol,UK:Institute of Physics Publishing,2012:1-12.

[22] LIU Qingjie,LIU Xiaofang,ZHAN Jun.Study on pre-processing methods of precision bearing vibration signal[C]∥Esiat,2009 International Conference on Environmental Science and Information Application Technology.Piscataway,NJ:IEEE Press,2009:572-574.

[23] LI Changning,YU Gang.A new statistical modelfor rolling element bearing fault signal based on alpha-stable distribution[C]∥Iccms2010,Proceedings of the 2010 Second International Conference on Computer Modeling and Simulation.Piscataway,NJ:IEEE Press,2010:386-390.

[24] ZHOU W,HABETLER T G,HARLEY R G,et al.Incipient bearing fault detection via stator current noise cancellation using Wiener filter[C]∥Sdemped,IEEE Symposium on Diagnostics for Electric Machines Power Electronics and Drives.Piscataway,NJ:IEEE Press,2007:11-16.

[25] YANG Ming,JIN Chen,DONG Guang-ming.Weak fault feature extraction of rolling bearing based on cyclic Wiener filter and envelopespectrum[J],Mechanical Systems and Signal Processing,2011,25(5):1773-1785.

[26] LI Meng,WANG Miao,WANG Changchun.Research on SVM classification performance in rolling bearing diagnosis[C]∥Icicta2010,Proceedings of the 2010 International Conference on Intelligent Computation Technology and Automation.Los Alamitos,CA:IEEE Computer Society,2010:132-135.

[27] WU Bin,YU Shanping,LUO Yuegang,et al.Rolling bearing faults diagnosis method based on SVM-HMM[C]∥Icmtma2010,Proceedings of the 2010 International Conference on Measuring Technology and Mechatronics Automation.Piscataway,NJ:IEEE Press,2010:295-298.

[28] DU Y,CHI Y L,WU X.Bearing fault diagnosis based on probability boxes theory and SVM method[J].Applied Mechanics and Materials,2011,79:93-98.

Review on signal processing for rolling bearing vibrations

HU Zhi-yong,HU Jie-xin,XIE Li-yang,TONG An-shi,ZHANG Xiao-chen

(1.Northeastern University,Key Laboratory of Vibration and Control of Aero-Propulsion Systems,Shenyang 110819,China; 2.Northeastern University,Institute of Modern Design and Analysis,Shenyang 110819,China)

Firstly, various methods for bearing vibration signal processing were summarized including the time-domain and frequency-domain analyses. Then, applications of time-domain parameters, along with advantages and disadvantages of frequency domain analysis methods, are then pinpointed. Finally, it is found that the time-frequency analysis method reflects local characteristics of non-stationary signals. Specifically for bearing vibration signal processing, the method combination and new technology application ride on the future trends.

rolling bearings; signal processing; vibration; time domain; frequency domain

中央高校基本科研業(yè)務(wù)費(fèi)項(xiàng)目“復(fù)雜裝備關(guān)鍵子系統(tǒng)冗余配置與維修策略的綜合決策研究”(課題編號(hào):N150304013),遼寧省博士啟動(dòng)基金(項(xiàng)目編號(hào):201501154)

胡智勇(1976-),男,博士,講師.E-mail:neujasonhu@163.com

TH 113.1; TH 165+.3

A

1672-5581(2016)06-0525-07