多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸庠跐L動(dòng)軸承故障診斷中的應(yīng)用

馬增強(qiáng)， 谷朝健， 柳曉云

(石家莊鐵道大學(xué) 電氣與電子工程學(xué)院，河北 石家莊 050043)

多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸庠跐L動(dòng)軸承故障診斷中的應(yīng)用

馬增強(qiáng)， 谷朝健， 柳曉云

(石家莊鐵道大學(xué) 電氣與電子工程學(xué)院，河北 石家莊 050043)

在處理非平穩(wěn)振動(dòng)信號(hào)時(shí)，經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)的應(yīng)用較為廣泛。針對(duì)滾動(dòng)軸承的早期故障信號(hào)中含有強(qiáng)烈的背景噪聲，診斷效果有時(shí)也不夠明顯的情況，本文提出了多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒āＪ紫韧ㄟ^EMD將滾動(dòng)軸承故障信號(hào)分解成若干本征模態(tài)函數(shù)(IMF)分量；然后對(duì)IMF分量進(jìn)行多相關(guān)處理，取相關(guān)性最強(qiáng)的IMF分量進(jìn)行自適應(yīng)重構(gòu)；最后通過循環(huán)譜分析識(shí)別出滾動(dòng)軸承的故障類型。將該方法應(yīng)用到滾動(dòng)軸承的仿真故障數(shù)據(jù)和實(shí)際數(shù)據(jù)中，分析結(jié)果表明，該方法可以更加有效地提取滾動(dòng)軸承故障特征頻率信息，突出故障頻率。

多通道相關(guān)；經(jīng)驗(yàn)?zāi)Ｊ椒纸?；滾動(dòng)軸承；故障診斷

0 引言

軸承故障是常見的機(jī)器故障之一，通過有效的實(shí)時(shí)監(jiān)測軸承的工作狀態(tài)，是對(duì)軸承早期故障進(jìn)行診斷的前提和必要環(huán)節(jié)。在獲取滾動(dòng)軸承振動(dòng)信號(hào)的過程中，由于測試環(huán)境、測試儀器及人為因素等影響，采集到的信號(hào)往往含有大量噪聲，而反映故障特征的部分非常微弱。因此，在提取故障特征頻率之前必須對(duì)采集到的振動(dòng)信號(hào)進(jìn)行降噪，提高信噪比。然而，由于旋轉(zhuǎn)機(jī)械結(jié)構(gòu)的復(fù)雜性，轉(zhuǎn)子振動(dòng)信號(hào)具有非線性、非平穩(wěn)性等特征，增加了降噪的難度[1]?，F(xiàn)在應(yīng)用于旋轉(zhuǎn)機(jī)械系統(tǒng)信號(hào)分析常用的方法有：傳統(tǒng)傅里葉變換、解調(diào)分析[2]、小波分析(WA)[3]、高階譜分析[4]、Hilbert-Huang變換(HHT)[5]、集合經(jīng)驗(yàn)?zāi)Ｊ椒纸?EEMD)[6]等方法。上述方法雖然都有各自獨(dú)特的優(yōu)勢，但當(dāng)其處理強(qiáng)噪聲背景下的信號(hào)時(shí)，均暴露出各自的不足，如傳統(tǒng)傅里葉變換的降噪方法存在保護(hù)信號(hào)邊緣和抑制噪聲之間的矛盾，難以正確識(shí)別信號(hào)中的噪聲并加以去除[1]；小波分析的基函數(shù)具有不變性，對(duì)非平穩(wěn)信號(hào)易產(chǎn)生虛假諧波[7]；HHT是一種建立在經(jīng)驗(yàn)之上的分解方法，沒有充分的數(shù)學(xué)基礎(chǔ)，當(dāng)特征信號(hào)中混有強(qiáng)噪聲時(shí)，不能得到滿意的本征模式函數(shù)(IMF)，分解過程中產(chǎn)生的IMF虛假分量會(huì)導(dǎo)致后期的誤診[8]；EEMD根據(jù)白噪聲分解的各分量能量密度與平均周期之積為常數(shù)這一特性，確定噪聲分量和有用信號(hào)分量的分界點(diǎn)，將噪聲分量從振動(dòng)信號(hào)中剔除，但剔除的分量有可能含有有用信號(hào)[9]。針對(duì)上述方法在強(qiáng)噪聲背景下難以正確診斷滾動(dòng)軸承故障類型的缺陷，本文提出了多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸獾乃惴?，該算法是?duì)多通道相關(guān)和經(jīng)驗(yàn)?zāi)Ｊ椒纸鈨煞N方法的一種延伸組合，結(jié)合了原EMD方法對(duì)非線性、非平穩(wěn)信號(hào)處理的優(yōu)勢和多通道相關(guān)算法良好的降噪能力，對(duì)旋轉(zhuǎn)機(jī)械中的滾動(dòng)軸承進(jìn)行故障診斷。

1 多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸庠\斷方法

多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸饽軌蚍治鲞B續(xù)的非線性、非平穩(wěn)振動(dòng)信號(hào)，其流程圖如圖1所示。具體算法如下。

圖1 多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸庠\斷方法流程圖

(1)采集兩路時(shí)間序列，分別做經(jīng)驗(yàn)?zāi)Ｊ?EMD)分解，從而得到多組本征模態(tài)函數(shù)IMF分量。EMD的過程如下:首先，所有局部極值和最小值x(t)應(yīng)該確定，并采用3次樣條線連接形成的信號(hào)上下包絡(luò)。然后，原始信號(hào)減去平均值m1的上和下包絡(luò)線，即x(t)-m1=h1，如果h1不是IMF，則h1作為原始信號(hào)，并重復(fù)前面的步驟，經(jīng)過反復(fù)轉(zhuǎn)移k次h1(k-1)-m1k=h1k，其中，h1k稱為IMF，即c1=h1k。最后，由r1=x(t)-c1從x(k)分離c1，重復(fù)該過程n次，直到rn成為一個(gè)單調(diào)函數(shù)rq。原始信號(hào)x(t)為

(1)

(2)對(duì)這兩路時(shí)間序列分解得到的IMF分量作多通道相關(guān)處理。首先將振動(dòng)信號(hào)經(jīng)由EMD分解產(chǎn)生的IMF分別與原始振動(dòng)信號(hào)做相關(guān)分析，選出相關(guān)性最強(qiáng)的IMF。因?yàn)樵肼曋g相關(guān)系數(shù)為零，所以相關(guān)系數(shù)越大，表明IMF的信噪比越高。隨后將兩路相關(guān)系數(shù)最大的IMF相加整合成一路振動(dòng)信號(hào)進(jìn)行故障特征頻率的提取，達(dá)到強(qiáng)化故障信號(hào)的效果。設(shè)兩個(gè)現(xiàn)象有如下兩組觀測值X:x1,x2…,xn和Y:y1,y2…,yn，則X與Y的相關(guān)系數(shù)為

(2)

r用來表示相關(guān)系數(shù)，如果r=0則表示零相關(guān)，若r=1，表示兩個(gè)變量之間完全相關(guān)。文獻(xiàn)[8]提出當(dāng)0.7<|r|<1時(shí)為高度相關(guān)，當(dāng)0.4<|r|<0.7時(shí)稱為中等相關(guān)，當(dāng)0.2<|r|<0.4時(shí)稱為低度相關(guān)，當(dāng)|r|<0.2時(shí)稱之為極低相關(guān)或者接近零相關(guān)。

(3)由于滾動(dòng)軸承的固有頻率通常較高，循環(huán)平穩(wěn)度分析、譜相關(guān)密度單切片分析等方法的計(jì)算量過大，難以勝任高精度和高效率的工況。本文所采用的譜相關(guān)密度組合切片(Slice Spectral Correlation Density, SSCD)以及循環(huán)譜組合切片能量(Slice Energy Spectral Correlation Density, SESCD)[10-11]分析能有效的診斷出滾動(dòng)軸承故障類型，預(yù)算量小且針對(duì)性強(qiáng)。

2 軸承故障實(shí)驗(yàn)驗(yàn)證

為了展示多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸馑惴ㄏ啾扔谠璄MD方法在消除強(qiáng)烈噪聲、凸顯故障頻率方面的優(yōu)勢,本次試驗(yàn)分別對(duì)軸承外圈故障、內(nèi)圈故障和滾動(dòng)體故障進(jìn)行診斷。圖2(a)展示了本次實(shí)驗(yàn)所使用的QPZZ-II故障模擬實(shí)驗(yàn)臺(tái)，其主要組成部分有：①操作平臺(tái)、②驅(qū)動(dòng)電機(jī)、③軸承底座、④軸承；圖2(b)展示了兩路傳感器的安裝位置：⑤為采集一通道信號(hào)的加速度傳感器，⑥為采集二通道信號(hào)的加速度傳感器。實(shí)驗(yàn)所用的滾動(dòng)軸承的型號(hào)是N205EM，測試參數(shù)與技術(shù)參數(shù)如表1所示，軸承特征頻率及其計(jì)算公式如表2所示。

圖2 試驗(yàn)裝置以及兩個(gè)傳感器安裝位置

中徑D/mm滾子直徑d/mm接觸角α/(°)滾子個(gè)數(shù)z轉(zhuǎn)速n/(r·min-1)采樣頻率fs/Hz38．57．501331725600

表2 軸承特征頻率及其計(jì)算公式

在本次滾動(dòng)軸承故障診斷中，一通道與二通道分別為多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸獾臄?shù)據(jù)采集通道，而一通道數(shù)據(jù)為多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c原EMD方法共用數(shù)據(jù)通道。文獻(xiàn)[12]中提到，由IMF的本性可知，通常EMD方法分解出來的前幾個(gè)IMF分量往往集中了原信號(hào)中最顯著、最重要的信息，因?yàn)樗偸前炎钪饕囊恍┬畔⑾忍崛〕鰜恚员疚乃龅脑璄MD方法是將EMD分解出的前5個(gè)IMF的平均值整合成的新的信號(hào)進(jìn)行SSCD和SESCD分析。以下是對(duì)外圈、內(nèi)圈、滾動(dòng)體3種軸承故障類型做出的分析。

表3 通道一各IMF與其振動(dòng)信號(hào)相關(guān)系數(shù)

表4 通道二各IMF與其振動(dòng)信號(hào)相關(guān)系數(shù)

圖3(a)～圖3(c)分別展示了外圈故障信號(hào)通道一、通道二與整合出的有效IMF的時(shí)域圖，并通過多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c原EMD方法的SSCD與SESCD對(duì)比結(jié)果說明：

(1)圖3(a)和圖3(b)分別為通道一和通道二振動(dòng)信號(hào)的時(shí)域圖，將振動(dòng)信號(hào)由EMD分解出的各IMF分量做多通道相關(guān)處理，其結(jié)果由表3和表4給出。選擇相關(guān)系數(shù)最大的一組IMF相加，整合出的有效的IMF的時(shí)域圖如圖3(c)所示。

(2)與圖3(d)相比較，在圖3(e)中，2 000 Hz附近信號(hào)幅值相對(duì)較高，其余頻段信號(hào)相對(duì)2 000 Hz處較為微弱，而圖3(g)在2 000 Hz處信號(hào)被附近頻段的噪聲所淹沒，特征頻率集中的頻段幅值并不明顯，這體現(xiàn)了多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ㄏ鄬?duì)于原EMD方法能夠更準(zhǔn)確的突出有效振動(dòng)頻率。

圖3 外圈故障信號(hào)分析結(jié)果

(3)由于2 000 Hz處存在特征頻率所以幅值較高，而其他頻段特征頻率較為微弱，理論上除強(qiáng)噪聲外，信號(hào)能量應(yīng)相對(duì)較低，圖3(d)所示的原EMD方法的SSCD圖譜中2 000 Hz外的其他頻段，存在能量較高的噪聲，而圖3(d)中除了信號(hào)在特征頻率集中的2 000 Hz附近具有較高的幅值外，其他頻段并沒有明顯的高能量譜線，這說明多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒苡行魅跽駝?dòng)信號(hào)中的強(qiáng)噪聲。

(4)由圖3(f)和圖3(g)中是對(duì)多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c原EMD方法的循環(huán)譜組合切片能量的分析，其中對(duì)5種不同類型的故障特征頻率進(jìn)行切片能量分析，能量最高的頻率即為當(dāng)前故障特征頻率，依次診斷出滾動(dòng)軸承的故障類型。圖3(h)表明，α=28.75 Hz處能量較高，相對(duì)的其他切片能量明顯較低，依據(jù)表2中的故障特征頻率理論值可知，故障發(fā)生在外圈。正如原EMD方法的SSCD圖譜中所顯示，每條特征頻率的譜線內(nèi)含有大量的強(qiáng)噪聲，導(dǎo)致原EMD方法的SESCD的譜圖顯示處α=26.25 Hz和α=28.75 Hz處譜線能量都很高，且α=28.75Hz處的能量略低于α=26.25Hz處的能量，由表2中的故障特征頻率理論值得到的診斷結(jié)果是內(nèi)圈故障，出現(xiàn)了明顯的誤診，這進(jìn)一步說明多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸獗仍璄MD方法能更有效的提高信號(hào)的信噪比，能夠更準(zhǔn)確地提取滾動(dòng)軸承的故障頻率、識(shí)別故障類型。

圖4 內(nèi)圈故障信號(hào)分析結(jié)果

通過圖4所示內(nèi)圈的SSCD圖譜可看出：多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸鈭D譜中除2 000 Hz以外的頻段的信號(hào)幅值比較微弱，表明信號(hào)內(nèi)所含的強(qiáng)噪聲較少，而原EMD方法在2 000 Hz處故障頻率集中的頻段的幅值相對(duì)強(qiáng)噪聲的幅值并不明顯，10 000 Hz附近噪聲的幅值相對(duì)較大，表明強(qiáng)噪聲對(duì)原EMD的SSCD分析產(chǎn)生了較強(qiáng)的影響，表明了多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸獗仍璄MD方法能夠更好的削弱噪聲、提高信噪比。

圖5 滾動(dòng)體故障信號(hào)分析結(jié)果

從圖5所示的滾動(dòng)體SESCD圖譜上可看出：多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸獾难h(huán)譜組合切片能量大于0.2的譜線只有一條，而原EMD方法的SESCD圖譜中切片能量大于0.2的譜線有兩條。若以閾值判斷軸承故障類型，原EMD方法不能確診故障類型，而多通道相關(guān)經(jīng)驗(yàn)?zāi)Ｊ椒纸鈩t可依據(jù)表2故障特征頻率理論值準(zhǔn)確的診斷出該軸承的故障類型為滾動(dòng)體故障，這表明了多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸獗仍璄MD方法能更準(zhǔn)確的提取故障特征頻率、診斷出故障類型。

3 結(jié)論

本文通過多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c原EMD方法對(duì)滾動(dòng)軸承故障的診斷結(jié)果進(jìn)行比較分析，結(jié)果表明：

(1)多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸馔黄屏藢?duì)滾動(dòng)軸承振動(dòng)信號(hào)的循環(huán)平穩(wěn)特性的要求，能用于分析連續(xù)的、非線性、非平穩(wěn)振動(dòng)信號(hào)，如調(diào)制的機(jī)械信號(hào)、轉(zhuǎn)子啟停等。

(2)多通道相關(guān)性分析能夠依據(jù)相關(guān)系數(shù)，選擇相關(guān)性最大的IMF，由此可以排除原EMD方法產(chǎn)生的虛假分量。

(3)本文提出的多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸獾姆椒苡行魅鯊?qiáng)噪聲、提高信噪比，可在強(qiáng)噪聲背景下有效地診斷滾動(dòng)軸承的故障類型。

然而不是所有的振動(dòng)信號(hào)都適用于多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒?，本文提出的方法適用于分析連續(xù)的振動(dòng)信號(hào),如調(diào)制的機(jī)械信號(hào)、轉(zhuǎn)子啟停等非線性、非平穩(wěn)振動(dòng)信號(hào),而對(duì)于沖擊等短時(shí)振動(dòng)信號(hào)以及信號(hào)呈線性規(guī)律特征的信號(hào)，本文所述方法還需進(jìn)一步改進(jìn)和完善。

[1]陳仁祥, 湯寶平, 呂中亮. 基于相關(guān)系數(shù)的EEMD轉(zhuǎn)子振動(dòng)信號(hào)降噪方法[J]. 振動(dòng)、測試與診斷 , 2012, 32(4)：542-546.

[2]丁康, 米林, 王志杰. 解調(diào)分析在故障診斷中應(yīng)用的局限性問題[J]. 振動(dòng)工程學(xué)報(bào)，1997(1)：13-20.

[3]付新欣. 基于小波分析的滾動(dòng)軸承故障診斷技術(shù)研究[D]. 沈陽：沈陽航空航天大學(xué), 2013.

[4]耶曉東. HHT方法在軸承故障診斷中的應(yīng)用[J]. 陜西理工學(xué)院學(xué)報(bào)：自然科學(xué)版, 2012(4)：9-13.

[5]劉雪霞, 張琦, 譚業(yè)發(fā). 高階譜分析技術(shù)在軸承故障信號(hào)特征提取中的應(yīng)用[J]. 機(jī)床與液壓, 2008(7)：155-160

[6]岳曉峰, 邵海賀. 基于改進(jìn)EEMD的滾動(dòng)軸承故障診斷研究[J]. 制造業(yè)自動(dòng)化, 2015(17)：80-82.

[7]廖慶斌, 李舜酩, 覃小攀. 車輛振動(dòng)信號(hào)的特征提取方法比較 [J]. 吉林大學(xué)學(xué)報(bào), 2007, 37(4)：910-914..

[8]廖慶斌, 李舜酩. 一種旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)特征提取的新方法 [J]. 中國機(jī)械工程, 2006, 17(16)：1675-1679.

[9]余發(fā)軍, 周鳳星. 基于EEMD和自相關(guān)函數(shù)特性的自適應(yīng)降噪方法[J]. 計(jì)算機(jī)應(yīng)用研究, 2015, 32(1)：206-209.

[10]畢果. 基于循環(huán)平穩(wěn)的滾動(dòng)軸承及齒輪微弱故障特征提取應(yīng)用研究 [D]. 上海：上海交通大學(xué), 2007.

[11]畢果, 陳進(jìn). 組合切片分析在滾動(dòng)軸承故障診斷中的應(yīng)用研究 [J]. 機(jī)械科學(xué)與技術(shù) , 2009, 28(2)：182-185.

[12]楊宇, 于德介, 程軍圣, 等. 經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)在滾動(dòng)軸承故障診斷中的應(yīng)用 [J]. 湖南大學(xué)學(xué)報(bào)：自然科學(xué)版, 2003, 30(5)：25-28.

Application of Multi-channel Correlation Empirical Mode Decomposition in the Fault Diagnosis of Rolling Bearings

Ma Zengqiang, Gu Chaojian， Liu Xiaoyun

(School of Electrical and Electronic Engineering, Shijiazhuang Tiedao University, Shijiazhuang 050043, China)

Experience mode decomposition (EMD) is most widely used in processing non-stationary vibration signals. In order to solve the problems that some diagnosis effects achieved by this method are not obvious enough sometimes due to the strong background noise involved in the early fault signal of rolling bearings, the Multi-channel correlation empirical mode decomposition (MCC-EMD) based on EMD is proposed. Firstly, EMD is used to decompose the fault signal into several intrinsic mode functions (IMFs). Secondly, the Multi-correlation process is made for the IMFs and adaptive reconstruction is performed by the strongest correlation of IMFs. Finally, the fault type of rolling bearing is identified by cyclic spectrum analysis. The proposed method is applied to simulated signals and actual signals, and the results show that the method can effectively extract the weak feature frequency information of incipient fault of rolling bearing.

Multi-channel correlation;empirical mode decomposition;rolling bearing;fault diagnosis

2016-01-13 責(zé)任編輯:劉憲福

10.13319/j.cnki.sjztddxxbzrb.2017.01.02

國家自然科學(xué)基金(11227201，11372199, 51208318)；河北省自然科學(xué)基金(A2014210142)

馬增強(qiáng)(1975-)，男，博士，教授，研究方向?yàn)闄C(jī)車車輛狀態(tài)監(jiān)測與故障診斷。E-mail:mzqlunwen@126.com

TH165+.3

A

2095-0373(2017)01-0064-06

馬增強(qiáng)，谷朝健，柳曉云.多通道相關(guān)-經(jīng)驗(yàn)?zāi)Ｊ椒纸庠跐L動(dòng)軸承故障診斷中的應(yīng)用[J].石家莊鐵道大學(xué)學(xué)報(bào):自然科學(xué)版,2017,30(1):64-69.