基于MS睱MD的滾動(dòng)軸承微弱故障提取研究

王志堅(jiān)　吳文軒　張紀(jì)平

摘要：本文提出了一種基于MS（mask signal）和LMD（Local Mean Decomposition，）方法的滾動(dòng)軸承微弱故障提取方法。本文通過將掩膜信號(hào)法與LMD方法相結(jié)合的方式，對(duì)存在噪聲的故障信號(hào)進(jìn)行處理，提取了故障信號(hào)。

關(guān)鍵詞：強(qiáng)噪聲；軸承故障；掩膜法；局部均值分解；故障診斷

在旋轉(zhuǎn)機(jī)械中，軸承是至關(guān)重要的一部分，而軸承的磨損也是不可避免的，軸承磨損的初期信號(hào)較為微弱，很難在強(qiáng)噪聲的背景下被發(fā)現(xiàn)，不采取相應(yīng)的措施就會(huì)導(dǎo)致軸承故障，嚴(yán)重時(shí)甚至?xí)?dǎo)致重大的事故，造成經(jīng)濟(jì)損失和人員傷亡，因此對(duì)軸承早期故障信號(hào)的提取一直深受重視。

2005年，在經(jīng)驗(yàn)?zāi)B(tài)分解（EMD Empirical Mode Decomposition ）方法的基礎(chǔ)上，Smith Jonathan提出了一種時(shí)頻分析法：局部均值分解（LMD Local Mean Decomposition），其本質(zhì)是將實(shí)測(cè)信號(hào)按頻率的高低分成不同的PF（Product Function）分量，而每一個(gè)PF分量都是由一個(gè)包絡(luò)信號(hào)與一個(gè)純調(diào)頻信號(hào)相乘而來，將分解后的PF分量結(jié)合到一起就可以得到完整的時(shí)頻分布[1]。

但是LMD的缺點(diǎn)也比較明顯，與EMD方法相比，其模態(tài)混疊現(xiàn)象雖然有所減輕，但在強(qiáng)噪聲背景下進(jìn)行分解，模態(tài)混疊現(xiàn)象依然十分嚴(yán)重，無法從中提取所需的時(shí)頻信息。

基于以上原因，本文將掩膜信號(hào)法引入到LMD方法中，在消除LMD方法出現(xiàn)的模態(tài)混疊現(xiàn)象后，提取故障信息。

1 LMD

由于實(shí)際采集的原始信號(hào)中含有不同的頻率成分，屬于多分量信號(hào)，LMD方法把多分量信號(hào)分解為若干單分量信號(hào)（PF分量），然后整合到一起就可以得到原始信號(hào)的時(shí)頻分布。

2 MS方法

掩膜法（MS mask signal）可以簡(jiǎn)單概括為以下幾個(gè)步驟，而其中尋找合適的掩膜信號(hào)st是掩膜法的關(guān)鍵。

3 基于MSLMD的軸承故障提取方法

禹丹江等人在MED分解中提出了一種確定掩膜信號(hào)的方法[2]，而將其運(yùn)用到LMD方法中時(shí)，可以對(duì)其進(jìn)行適當(dāng)改進(jìn)。

經(jīng)過掩膜信號(hào)法處理后的LMD分解，每一層PF分量只有一個(gè)頻率信息，由此可以確定掩膜法有效的消除了仿真信號(hào)的模態(tài)混疊現(xiàn)象。

4 實(shí)測(cè)信號(hào)分析

文章采用的是Case Western Reserve University（美國(guó)凱斯西儲(chǔ)大學(xué)）故障軸承數(shù)據(jù)進(jìn)行分析[3]，其中轉(zhuǎn)速為1750r/min，采樣頻率為12000Hz，轉(zhuǎn)動(dòng)軸基頻為29.1Hz，計(jì)算后的內(nèi)圈故障頻率約為157.9Hz，本文從采集到的數(shù)據(jù)中選取10240個(gè)點(diǎn)進(jìn)行分析研究。

PF1的波形比較雜亂，雖然從內(nèi)圈故障頻率158.3Hz處左右有明顯峰值與其二倍頻率處有較高峰值，但是在轉(zhuǎn)頻29.1Hz與二倍頻率58.2Hz處同時(shí)存在較高峰值，說明發(fā)生了模態(tài)混疊現(xiàn)象。

經(jīng)過計(jì)算，PF1的相關(guān)系數(shù)最高，所以只對(duì)PF1進(jìn)行掩膜法處理，轉(zhuǎn)頻的二倍58.2Hz處的峰值已經(jīng)消失，較高峰值只出現(xiàn)在內(nèi)圈故障158.1Hz與二倍頻316.2Hz處。證明成功消除了模態(tài)混疊現(xiàn)象。

以上數(shù)據(jù)表明，本文成功的提取了滾動(dòng)軸承的內(nèi)故障信息，由此證明了提出的方法具有可行性。

5 結(jié)論

1）掩膜信號(hào)法對(duì)于強(qiáng)噪聲背景下發(fā)生的模態(tài)混疊現(xiàn)象有較強(qiáng)的抑制作用。

2）局部均值分解（Local Mean Decomposition，LMD）對(duì)故障信號(hào)由較強(qiáng)的分解分析能力，但是在強(qiáng)噪聲背景下會(huì)失真，出現(xiàn)模態(tài)混疊等現(xiàn)象，難以得到有效的故障信息。

3）本文提出的掩膜信號(hào)法與LMD相結(jié)合的方法，使用LMD對(duì)信號(hào)進(jìn)行分解，然后用掩膜信號(hào)法對(duì)PF分量進(jìn)行處理，消除其模態(tài)混疊現(xiàn)象。利用仿真信號(hào)驗(yàn)證了方法的可行性后，成功提取了軸承的微弱故障特征。為微弱故障特征的提取提供了一種新的研究思路。

參考文獻(xiàn)：

[1]Huo L.Introduce the Quantitative Identification Method of Rolling Bearing in the Application of Fault Detection[J].Applied Mechanics & Materials，2015，742：147149.

[2]禹丹江，任偉新.信號(hào)經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c間斷頻率[J].福州大學(xué)學(xué)報(bào)，2005，33（5）：638642.

[3] Case Western Reserve University.Case western reserve university bearingdata center website[EB/OL].20110503.

作者簡(jiǎn)介：王志堅(jiān)，男，博士，研究方向：制造過程與故障診斷。