OMCKD結(jié)合自互補(bǔ)Top-Hat變換的 電機(jī)軸承故障診斷方法

宋慧欣，王冬梅，車(chē)一鳴

(國(guó)網(wǎng)冀北電力有限公司技能培訓(xùn)中心，河北 保定 071051)

0 引言

感應(yīng)電機(jī)廣泛應(yīng)用于各個(gè)工程領(lǐng)域，滾動(dòng)軸承是感應(yīng)電機(jī)中的關(guān)鍵組成部件，相關(guān)統(tǒng)計(jì)分析指出軸承故障比例約占電機(jī)全部故障的40%左右。實(shí)際工程中，軸承微弱故障特征容易被外源振動(dòng)引起的干擾及噪聲所掩蓋，故障檢測(cè)難度較大，因此研究滾動(dòng)軸承微弱故障的有效辨識(shí)方法對(duì)于保障電機(jī)設(shè)備安全平穩(wěn)運(yùn)行具有重要意義[1-2]。

近些年，針對(duì)電機(jī)軸承故障識(shí)別這一問(wèn)題，相關(guān)學(xué)者進(jìn)行了深入研究，并且報(bào)道了許多具有針對(duì)性的診斷策略。例如，Abbasion[3]等人先用小波分析對(duì)電機(jī)軸承信號(hào)進(jìn)行預(yù)先處理，減少信號(hào)噪聲，然后利用分類(lèi)器實(shí)現(xiàn)軸承多狀態(tài)分類(lèi)，該方法具有可借鑒之處，但是小波分析固有的格型分解模式很容易造成能量泄露，并且算法中某些參數(shù)的改變會(huì)導(dǎo)致信號(hào)處理結(jié)果發(fā)生較大變化，這些因素很大程度上影響了最終診斷效果。為了及早發(fā)現(xiàn)電機(jī)軸承故障，文獻(xiàn)[4]結(jié)合EEMD的自適應(yīng)信號(hào)處理能力以及 Duffing 振子特有的鎖頻特性，對(duì)電機(jī)軸承進(jìn)行檢測(cè)，收獲了較為理想的分析結(jié)果，但EEMD算法中白噪聲的添加強(qiáng)度及次數(shù)通常難以確定，并且該算法計(jì)算效率很低。為了提高電機(jī)軸承故障診斷的準(zhǔn)確率，文獻(xiàn)[5]中作者將HMM模型與模式識(shí)別相結(jié)合對(duì)電機(jī)軸承進(jìn)行故障診斷及預(yù)測(cè)，可以快速地探測(cè)軸承的異常行為，但由于馬爾可夫鏈的假設(shè)，使其對(duì)系統(tǒng)的建模具有一定局限性，對(duì)于復(fù)雜的狀態(tài)分類(lèi)問(wèn)題，精確度將會(huì)明顯降低。文獻(xiàn)[6]則提出了基于LMD和支持向量機(jī)的診斷方法，采用LMD提取振動(dòng)信號(hào)特征，并通過(guò)支持向量機(jī)來(lái)識(shí)別軸承狀態(tài)類(lèi)型，能夠?qū)崿F(xiàn)電機(jī)軸承當(dāng)前狀態(tài)的有效區(qū)分，但LMD理論本身存在的端點(diǎn)效應(yīng)、虛假分量等不足還未完全得以解決。

最大相關(guān)峭度解卷積(maximum correlated kurtosis deconvolution, MCKD)算法[7]可提取信號(hào)中既定的周期性沖擊成分，利用其對(duì)電機(jī)軸承振動(dòng)信號(hào)進(jìn)行處理，有望實(shí)現(xiàn)信號(hào)中微弱特征的有效剝離。數(shù)學(xué)形態(tài)濾波是近年來(lái)發(fā)展起的一種信號(hào)處理手段，在抑制噪聲方面表現(xiàn)優(yōu)異，能夠強(qiáng)化信號(hào)沖擊特征[8]。鑒于上述分析，針對(duì)電機(jī)軸承故障診斷問(wèn)題，本文提出一種優(yōu)化最大相關(guān)峭度解卷積(optimized maximum correlated kurtosis deconvolution, OMCKD)結(jié)合自互補(bǔ)Top-Hat變換的診斷新方法，并利用兩組實(shí)際診斷案例對(duì)該方法的可行性及優(yōu)勢(shì)進(jìn)行驗(yàn)證。

1 基于人工魚(yú)群算法的OMCKD方法

1.1 MCKD基本理論

通過(guò)傳感器拾取的長(zhǎng)度為N的信號(hào)x=[x1x2…xN]T可認(rèn)為是原始沖擊信號(hào)d、隨機(jī)噪聲e與各自系統(tǒng)傳遞函數(shù)hd、he相互卷積、混合后的結(jié)果，公式表示如下[9]：

x=hd*d+he*e

(1)

MCKD算法的核心思想是尋找一個(gè)長(zhǎng)度L的最佳單位沖激響應(yīng)濾波器f=[f1f2…fL]T，對(duì)拾取的信號(hào)進(jìn)行解卷積運(yùn)算，即：

y=f*x=f*(hd*d)+f*(he*e)

(2)

使得處理結(jié)果中，隨機(jī)噪聲響應(yīng)f*(he*e)趨于零，解卷積信號(hào)y=[y1y2…yN]T盡量逼近原始沖擊信號(hào)d，即：

y=f*x≈d

(3)

MCKD算法在傳統(tǒng)峭度指標(biāo)基礎(chǔ)上定義了一種相關(guān)峭度指標(biāo)，并利用該指標(biāo)對(duì)解卷積信號(hào)y進(jìn)行評(píng)價(jià)。相關(guān)峭度指標(biāo)充分考慮了沖擊成分的周期特性，與峭度指標(biāo)相比能更有效地衡量信號(hào)中沖擊成分所占的比重，其表達(dá)式為：

(4)

其中，T為解卷積周期，M是移位數(shù)。

為了從傳感器拾取的信號(hào)中恢復(fù)得到原始沖擊信號(hào)，MCKD算法通過(guò)循環(huán)迭代尋找最佳濾波器向量f，并以相關(guān)峭度最大化為最終尋優(yōu)目標(biāo)，即：

(5)

為了使相關(guān)峭度CMM(T)達(dá)到最大值，需滿(mǎn)足如下表達(dá)式：

(6)

上式分子、分母分別對(duì)fk求導(dǎo)，表達(dá)式(6)變?yōu)椋?/p>

(7)

整理上式，則濾波器向量的求解結(jié)果以矩陣形式表示如下：

(8)

得出最優(yōu)濾波器向量后，根據(jù)式(3)對(duì)傳感器拾取信號(hào)x進(jìn)行解卷積運(yùn)算，即可恢復(fù)原始沖擊信號(hào)。

1.2 OMCKD方法

MCKD算法涉及的主要參數(shù)包括解卷積周期T、移位數(shù)M和濾波器長(zhǎng)度L。解卷積周期表示信號(hào)相鄰兩個(gè)脈沖間的數(shù)據(jù)點(diǎn)數(shù)，移位數(shù)影響解卷積處理所提取沖擊脈沖的個(gè)數(shù)，濾波器長(zhǎng)度則決定了濾波分辨率，直接影響濾波器的結(jié)構(gòu)。在實(shí)際處理信號(hào)過(guò)程中，參數(shù)T可根據(jù)特征頻率及采樣頻率進(jìn)行設(shè)置，而M和L的選取則缺乏相應(yīng)參考標(biāo)準(zhǔn)，僅僅根據(jù)人為經(jīng)驗(yàn)對(duì)這兩個(gè)關(guān)鍵影響參數(shù)進(jìn)行選取，所得處理結(jié)果具有一定偶然性，參數(shù)選取的不合理將直接影響最終解卷積效果。

人工魚(yú)群算法(artificial fish swarm algorithm, AFSA)是一種群體智能優(yōu)化算法，基于魚(yú)類(lèi)的覓食、聚群和追尾行為，通過(guò)魚(yú)群個(gè)體局部尋優(yōu)來(lái)突現(xiàn)種群整體最優(yōu)值，具有良好的全局搜尋能力[10-11]。本文利用AFSA算法對(duì)MCKD的兩個(gè)關(guān)鍵影響參數(shù)M和L進(jìn)行優(yōu)化，提出了基于AFSA算法的OMCKD方法，從而有效避免影響參數(shù)設(shè)定時(shí)人為主觀因素影響。利用AFSA算法搜尋MCKD影響參數(shù)時(shí)，需確定一個(gè)食物濃度函數(shù)，每條人工魚(yú)在行動(dòng)一次后將自身當(dāng)前狀態(tài)的食物濃度與公告板比較，如果優(yōu)于公告板，則以自身狀態(tài)取代。文獻(xiàn)[12]定義了一種包絡(luò)譜特征能量比指標(biāo)，當(dāng)解卷積結(jié)果中出現(xiàn)規(guī)律性周期沖擊時(shí)，特征能量比取值較大，而解卷積效果不佳、周期沖擊特征不明顯時(shí)，特征能量比則相對(duì)較小，因此本文通過(guò)監(jiān)測(cè)特征能量比取值的變化趨勢(shì)來(lái)評(píng)價(jià)解卷積結(jié)果的優(yōu)劣，當(dāng)特征能量比指標(biāo)達(dá)到最大值，解卷積效果最優(yōu)。利用AFSA算法可以動(dòng)態(tài)調(diào)節(jié)MCKD的關(guān)鍵影響參數(shù)，自動(dòng)獲取最佳解卷積效果，從而強(qiáng)化故障特征，OMCKD方法流程如圖1所示，具體實(shí)現(xiàn)步驟如下：

(1)初始化AFSA算法中魚(yú)群規(guī)模N、最大移動(dòng)步長(zhǎng)Step、感知范圍Visual、迭代次數(shù)m、擁擠度因子δ等參量。

(2)確定MCKD影響參數(shù)M和L的優(yōu)化范圍，在該范圍內(nèi)隨機(jī)生成第K=0代人工魚(yú)種群。

(3)計(jì)算初始魚(yú)群中人工魚(yú)個(gè)體當(dāng)前位置食物濃度值FC(即特征能量比)，并與公告板相比較，取最大值寫(xiě)入公告板，將此魚(yú)賦值給公告板。

(4)每條人工魚(yú)模擬追尾行為、聚群行為，選擇FC取值較大的行為執(zhí)行。

(5)每條人工魚(yú)行動(dòng)一次后，比較自身位置FC取值與公告板值，若優(yōu)于公告板，則以自身狀態(tài)替換。

(6)若未達(dá)到設(shè)置的迭代次數(shù)m，跳轉(zhuǎn)回步驟(4)，若滿(mǎn)足條件，則順序執(zhí)行步驟(7)。

(7)輸出公告板最終記錄，即特征能量比最大時(shí)M和L的取值，并將結(jié)果代入MCKD算法。

圖1 OMCKD方法流程

2 形態(tài)學(xué)自互補(bǔ)Top-Hat變換

腐蝕和膨脹是形態(tài)學(xué)中的基本運(yùn)算方式，給出長(zhǎng)度為N的信號(hào)x(n)，關(guān)于長(zhǎng)度為M(M

(xΘg)(n)=min{x(n+m)-g(m)}

(9)

膨脹運(yùn)算定義為：

(x⊕g)(n)=max{x(n-m)+g(m)}

(10)

在腐蝕、膨脹運(yùn)算方式基礎(chǔ)上，通過(guò)改變二者操作順序，分別定義了開(kāi)、閉運(yùn)算，相應(yīng)表達(dá)式為：

(11)

開(kāi)運(yùn)算可以抑制信號(hào)中的正脈沖噪聲，閉運(yùn)算則能夠?yàn)V除信號(hào)中的負(fù)脈沖噪聲。對(duì)信號(hào)進(jìn)行開(kāi)、閉運(yùn)算雖然可以抑制噪聲，但一定程度上也會(huì)改變信號(hào)細(xì)節(jié)特征[14]。相比而言，自互補(bǔ)Top-Hat變換綜合考慮了濾波效果，在保持信號(hào)細(xì)節(jié)信息方面更具優(yōu)勢(shì)，能夠有效彌補(bǔ)開(kāi)閉運(yùn)算對(duì)信號(hào)本身所帶來(lái)的不利影響[15]。自互補(bǔ)Top-Hat變換(STH)是對(duì)白Top-Hat變換(WTH)和黑Top-Hat變換(BTH)進(jìn)行求和，表達(dá)式為：

(12)

在處理圖像時(shí)，WTH和BTH可分別提取區(qū)域內(nèi)較為明亮和黑暗的部分，其本質(zhì)是通過(guò)增大對(duì)比度達(dá)到圖像增強(qiáng)的目的。在處理一維信號(hào)時(shí)，融合WTH和BTH的STH運(yùn)算則可以檢測(cè)波峰和波谷，實(shí)現(xiàn)信號(hào)峰值放大的作用，進(jìn)而強(qiáng)化信號(hào)中的沖擊特性。

3 診斷流程

利用MCKD算法處理信噪比較低的電機(jī)軸承振動(dòng)信號(hào)時(shí)，如何設(shè)置移位數(shù)和濾波器長(zhǎng)度參數(shù)是診斷的關(guān)鍵所在，為了自動(dòng)實(shí)現(xiàn)最佳解卷積處理效果，本文提出了基于AFSA算法的OMCKD方法。該方法能夠最大限度突出信號(hào)中的周期性沖擊脈沖成分，利用其對(duì)拾取的振動(dòng)信號(hào)進(jìn)行預(yù)處理，可有效挖掘被噪聲所掩蓋的故障特征信息。而自互補(bǔ)Top-Hat變換則具有良好的沖擊脈沖檢測(cè)及背景噪聲抑制能力，將其作為后處理方法，對(duì)解卷積所得結(jié)果做進(jìn)一步分析，能夠起到強(qiáng)化故障特征的作用，因此本文兼顧二者各自的優(yōu)勢(shì)，提出了OMCKD和自互補(bǔ)Top-Hat變換相結(jié)合的電機(jī)軸承診斷方法，實(shí)現(xiàn)流程如下：

(1)設(shè)置AFSA算法各項(xiàng)參量，并搜尋MCKD的影響參數(shù)。M和L初始化范圍分別為[1，8]和[2，300]，魚(yú)群規(guī)模N為20、最大移動(dòng)步長(zhǎng)Step為5，感知距離Visual為2.5，迭代次數(shù)為30，擁擠度因子δ為0.6。

(2)人工魚(yú)群搜尋優(yōu)化結(jié)束后得到最佳移位數(shù)Mo和最佳濾波器長(zhǎng)度Lo，將其代入MCKD算法，并對(duì)原始采集的信號(hào)做處理。

(3)對(duì)得到的解卷積信號(hào)做進(jìn)一步自互補(bǔ)Top-Hat變換處理，并進(jìn)行相應(yīng)的頻譜分析。

(4)通過(guò)分析譜圖中幅值明顯的譜線(xiàn)判定軸承當(dāng)前狀態(tài)。

4 實(shí)例驗(yàn)證

4.1 人工植入故障信號(hào)

在圖2所示1.2kW、4極三相異步電機(jī)實(shí)驗(yàn)臺(tái)上開(kāi)展實(shí)驗(yàn)，軸承型號(hào)為哈爾濱軸承廠生產(chǎn)的6205型滾動(dòng)軸承，在電機(jī)風(fēng)扇端軸承內(nèi)圈加工出微小凹痕來(lái)模擬內(nèi)圈微弱故障。使用PCB壓電加速度傳感器和研華PCI-1711采集卡完成數(shù)據(jù)采集過(guò)程，采樣頻率為12800Hz。運(yùn)行速度為1470r/min，根據(jù)軸承結(jié)構(gòu)參數(shù)及轉(zhuǎn)速計(jì)算得知內(nèi)圈故障特征頻率fi=131.3Hz。

圖2 電機(jī)故障實(shí)驗(yàn)平臺(tái)

對(duì)8192個(gè)數(shù)據(jù)點(diǎn)進(jìn)行分析，繪制的振動(dòng)信號(hào)波形、頻譜、包絡(luò)譜如圖3所示。時(shí)域波形中可識(shí)別出脈沖成分，但規(guī)律性不明顯，無(wú)法判斷脈沖周期，信號(hào)能量在頻譜低頻段分布較為集中，但未發(fā)現(xiàn)與故障相關(guān)的峰值譜線(xiàn)，包絡(luò)譜中故障特征頻率成分fi并不突出，干擾譜線(xiàn)較多，容易造成漏診、誤診。

(a)振動(dòng)信號(hào)波形

(b)振動(dòng)信號(hào)頻譜

(c)振動(dòng)信號(hào)包絡(luò)譜

利用本文方法對(duì)上述振動(dòng)信號(hào)進(jìn)行分析，通過(guò)人工魚(yú)群搜尋到的MCKD最佳移位數(shù)Mo=1，最佳濾波器長(zhǎng)度Lo=187，根據(jù)所得結(jié)果設(shè)置MCKD的相應(yīng)參數(shù)并對(duì)原始信號(hào)進(jìn)行預(yù)處理，所得解卷積信號(hào)如圖4a所示。與圖3a相比，信號(hào)中沖擊成分更為明顯，有效增大了信號(hào)的信噪比，從而為后續(xù)分析進(jìn)程做了良好鋪墊。圖4b是對(duì)解卷積信號(hào)做進(jìn)一步自互補(bǔ)Top-Hat變換的結(jié)果，處理后發(fā)現(xiàn)沖擊成分周期規(guī)律性有所加強(qiáng)，并且沖擊幅值也有所增大，對(duì)變換結(jié)果做頻譜分析，譜圖4c中內(nèi)圈故障特征基頻及各階倍頻成分fi～6fi十分突出，背景噪聲少，譜圖十分干凈，由此斷定軸承內(nèi)圈存在局部損傷，分析結(jié)果與實(shí)際情況一致。實(shí)驗(yàn)驗(yàn)證結(jié)果表明，利用本文方法處理電機(jī)軸承振動(dòng)信號(hào)，能夠有效突出淹沒(méi)于噪聲干擾中的周期性沖擊成分，順利提取微弱特征信息，實(shí)現(xiàn)軸承故障的準(zhǔn)確判別。

為驗(yàn)證所述方法的優(yōu)勢(shì)，分別利用軸承故障診斷中廣泛應(yīng)用的EMD方法和譜峭度方法對(duì)上述振動(dòng)信號(hào)進(jìn)行分析。原信號(hào)經(jīng)EMD處理后共獲得11個(gè)IMF分量，經(jīng)過(guò)對(duì)比發(fā)現(xiàn)IMF1分量呈現(xiàn)的故障特征最為明顯。觀察圖5a可知，IMF1分量波形中包含的沖擊成分較原信號(hào)相比更為明顯，包絡(luò)譜中內(nèi)圈故障特征相關(guān)峰值譜線(xiàn)較原信號(hào)包絡(luò)譜相比也更加突出，但是背景噪聲仍然較重。此外，為了確保包絡(luò)譜分析結(jié)果的可信度，除特征頻率基頻外，通常還希望能夠找到其二階、三階甚至更高階的諧波分量，而IMF1分量包絡(luò)譜中，并未達(dá)到這一理想結(jié)果，分析效果與本文方法相比有待提升。

下面利用譜峭度方法與本文方法做進(jìn)一步對(duì)比。設(shè)定譜峭度變換級(jí)數(shù)為4級(jí)，圖6a中快速峭度圖色塊顏色深淺代表不同濾波器參數(shù)(fc，Δf)條件下濾波信號(hào)譜峭度值的大小，其中最大譜峭度值對(duì)應(yīng)的色塊位置如黑色橢圓標(biāo)記所示，對(duì)應(yīng)的濾波器中心頻率fc=3733Hz，帶寬Δf=1066Hz。使用該參數(shù)下的濾波器對(duì)原振動(dòng)信號(hào)進(jìn)行帶通濾波處理，再做包絡(luò)譜分析，結(jié)果如圖6b所示。內(nèi)圈故障特征頻率及其二、三倍頻成分被識(shí)別出來(lái)，但是就特征頻率倍頻成分的連續(xù)性以及幅值水平而言，分析效果與本文方法相比仍存在一定差距。

(a) 解卷積信號(hào)波形

(b)自互補(bǔ)Top-Hat變換結(jié)果

(c)自互補(bǔ)Top-Hat變換所得信號(hào)頻譜

(a)IMF1分量波形

(b)IMF1分量包絡(luò)譜

(a) 快速峭度圖

(b) 濾波信號(hào)包絡(luò)譜

4.2 全壽命周期加速疲勞信號(hào)

利用辛辛那提大學(xué)全壽命周期加速疲勞實(shí)驗(yàn)數(shù)據(jù)[16]對(duì)所述方法進(jìn)行驗(yàn)證。實(shí)驗(yàn)臺(tái)如圖7所示，軸承型號(hào)為ZA2115型滾動(dòng)軸承，轉(zhuǎn)速為2000r/min。每隔10min通過(guò)DAQ6O62E采集卡進(jìn)行一次數(shù)據(jù)采集，采樣頻率為20kHz。從實(shí)驗(yàn)開(kāi)始至軸承完全失效持續(xù)運(yùn)行了164h，共采集984組信號(hào)。利用這些信號(hào)繪制得到圖8所示的均方根值變化趨勢(shì)，分析發(fā)現(xiàn)7020min以前指標(biāo)較為平穩(wěn)，在7020min時(shí)，均方根值發(fā)生微小突變，表明軸承出現(xiàn)輕度損傷，此后一段時(shí)長(zhǎng)內(nèi)均方根值有所下降，源于軸承運(yùn)轉(zhuǎn)過(guò)程中損傷點(diǎn)銳利邊緣被不斷磨損平滑所致，從8000min開(kāi)始，指標(biāo)呈逐步上升趨勢(shì)，并在9790min時(shí)達(dá)到最大值，表明軸承出現(xiàn)嚴(yán)重?fù)p傷，喪失原本功能。

選擇5410min時(shí)得到的實(shí)測(cè)信號(hào)進(jìn)行分析，截取的數(shù)據(jù)點(diǎn)數(shù)為8192點(diǎn)，實(shí)測(cè)信號(hào)波形、頻譜和包絡(luò)譜如圖9所示。波形中未發(fā)現(xiàn)沖擊成分，頻譜低頻段也未識(shí)別到相應(yīng)的故障特征信息，而在包絡(luò)譜中找到的外圈故障特征頻率成分fo(236Hz)十分微弱，僅靠這一信息難以對(duì)軸承當(dāng)前狀態(tài)做出確切定斷。

圖7 全壽命周期加速疲勞實(shí)驗(yàn)臺(tái)

圖8 軸承信號(hào)均方根值趨勢(shì)

(a)實(shí)測(cè)信號(hào)波形

(b)實(shí)測(cè)信號(hào)頻譜

(c)實(shí)測(cè)信號(hào)包絡(luò)譜

利用本文方法對(duì)實(shí)測(cè)信號(hào)進(jìn)行分析，先通過(guò)AFSA算法優(yōu)化MCKD的關(guān)鍵影響參數(shù)，搜索結(jié)束后得到的最佳移位數(shù)Mo=1，最佳濾波器長(zhǎng)度Lo=38。繼而利用設(shè)置好參數(shù)后的MCKD算法處理原始信號(hào)，所得解卷積信號(hào)及其自互補(bǔ)Top-Hat變換結(jié)果分別如圖10a、圖10 b所示。通過(guò)觀察發(fā)現(xiàn)，這兩個(gè)信號(hào)波形中的沖擊特征較原始信號(hào)相比更為明顯，但是難以把握信號(hào)中沖擊成分的規(guī)律性，對(duì)自互補(bǔ)Top-Hat變換所得信號(hào)做進(jìn)一步頻譜分析，結(jié)果如圖10c所示。其中外圈故障特征頻率及其諧波fo～3fo處譜峰明顯，背景噪聲及其它干擾譜線(xiàn)較少，由此斷定軸承外圈已經(jīng)出現(xiàn)損傷，理論分析結(jié)果與實(shí)驗(yàn)結(jié)束后軸承解體分析結(jié)果完全一致，表明所述方法能夠在軸承故障特征較為微弱的萌芽階段實(shí)施準(zhǔn)確判別，這對(duì)于實(shí)際工程應(yīng)用來(lái)說(shuō)無(wú)疑具有重要意義。

分別利用EMD方法和譜峭度方法對(duì)上述實(shí)測(cè)信號(hào)進(jìn)行對(duì)比分析。原信號(hào)經(jīng)EMD處理后，共獲得10個(gè)IMF分量，其中僅IMF1分量中蘊(yùn)含了故障特征信息，該分量波形及包絡(luò)譜如圖11a、圖11b所示，對(duì)比可知EMD方法分析結(jié)果與本文方法相比差距較大。

利用譜峭度方法與本文方法進(jìn)行對(duì)比，圖12a中快速峭度圖顯示最大譜峭度值位于1.6級(jí)處(黑色橢圓標(biāo)記所示)，對(duì)應(yīng)的帶通濾波器中心頻率fc=5120Hz、帶寬Δf=1707Hz。實(shí)測(cè)信號(hào)經(jīng)帶通濾波后包絡(luò)譜分析未發(fā)現(xiàn)故障特征相關(guān)成分，表明譜峭度方法對(duì)于該組實(shí)測(cè)信號(hào)來(lái)說(shuō)無(wú)能為力，從而進(jìn)一步驗(yàn)證了所述方法的優(yōu)越性。

(a)解卷積信號(hào)波形

(b)自互補(bǔ)Top-Hat變換結(jié)果

(c)自互補(bǔ)Top-Hat變換所得信號(hào)頻譜

(a)IMF1分量波形

(b)IMF1分量包絡(luò)譜

(a)快速峭度圖

(b)濾波信號(hào)包絡(luò)譜

5 結(jié)論

受背景噪聲及傳遞路徑衰減影響，通過(guò)傳感器拾取的電機(jī)軸承振動(dòng)信號(hào)中蘊(yùn)含的特征信息較為微弱，故障特征提取相對(duì)困難，傳統(tǒng)分析方法通常難以進(jìn)行有效的狀態(tài)識(shí)別。人為植入故障信號(hào)及全壽命加速疲勞信號(hào)分析結(jié)果表明，本文提出的OMCKD結(jié)合自互補(bǔ)Top-Hat變換的電機(jī)軸承診斷方法能夠有效增強(qiáng)原本微弱的故障特征，得到滿(mǎn)意的診斷成效，并且與直接包絡(luò)譜分析方法、EMD方法、譜峭度方法相比，診斷效果更佳，具有顯著優(yōu)勢(shì)。

[1] 王冰，李洪儒，許葆華．基于數(shù)學(xué)形態(tài)學(xué)分段分形維數(shù)的電機(jī)滾動(dòng)軸承故障模式識(shí)別[J]．振動(dòng)與沖擊, 2013, 32(19):28-31．

[2] Van M, Kang H J. Bearing-fault diagnosis using non-local means algorithm and empirical mode decomposition-based feature extraction and two-stage feature selection[J]. IET Science Measurement Technology, 2015, 9(6):671-680.

[3] Abbasion S, Rafsanjani A, Farshidianfar A, et al. Rolling element bearings multi-fault classification based on the wavelet denoising and support vector machine[J]. Mechanical Systems and Signal Processing, 2007, 21(7):2933-2945.

[4] 劉復(fù)飛. EEMD 與 Duffing 振子的電機(jī)軸承早期故障檢測(cè)[J]. 組合機(jī)床與自動(dòng)化加工技術(shù), 2015(10):94-97.

[5] 于天劍，陳特放，陳雅婷，等. HMM在電機(jī)軸承上的故障診斷[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2016,48(2):184-188.

[6] 丁瑞成，黃友銳，陳珍萍，等. LMD和SVM相結(jié)合的電機(jī)軸承故障診斷研究[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2016(8):81-84.

[7] 趙洪山，李浪. 基于MCKD-EMD的風(fēng)電機(jī)組軸承早期故障診斷方法[J]. 電力自動(dòng)化設(shè)備, 2017, 37(2):29-36.

[8] 唐貴基，鄧飛躍，何玉靈. 基于倒譜預(yù)白化和形態(tài)學(xué)自互補(bǔ)Top-Hat 變換的滾動(dòng)軸承故障特征提取[J]. 振動(dòng)與沖擊, 2015, 34(15):77-81.

[9] Mcdonald G L，Zhao Q，Zuo M J. Maximum correlated kurtosis deconvolution and application on gear tooth chip fault detection[J]. Mechanical Systems and Signal Processing, 2012, 33:237-255.

[10] 朱維娜，林敏. 基于人工魚(yú)群算法的軸承故障隨機(jī)共振自適應(yīng)檢測(cè)方法[J]. 振動(dòng)與沖擊, 2014, 33(6):143-147.

[11] 朱維娜，林敏. 基于隨機(jī)共振和人工魚(yú)群算法的微弱信號(hào)智能檢測(cè)系統(tǒng)[J].儀器儀表學(xué)報(bào), 2013, 34(11): 2464-2470.

[12] He W P, Zi Y Y, Chen B Q, et al. Automatic fault feature extraction of mechanical anomaly on induction motor bearing using ensemble super-wavelet transform[J]. Mechanical Systems and Signal Processing, 2015, 54:457-480.

[13] Dong Y B, Liao M F, Zhang X L, et al. Faults diagnosis of rolling element bearings based on modified morphological method[J]. Mechanical Systems and Signal Processing, 2011, 25(4):1276-1286.

[14] 崔寶珍，馬澤瑋，李會(huì)龍，等. 基于廣義形態(tài)學(xué)濾波和Hilbert邊際譜的滾動(dòng)軸承故障診斷[J]. 中國(guó)機(jī)械工程, 2016, 27(11):1484-1487.

[15] Shen C Q, He Q B, Kong F R, et al. A fast and adaptive varing-scale morphological analysis method for rolling element bearing fault diagnosis [J]. Journal of Mechanical Engineering Science, 2012, 227(6):1362-1370.

[16] Qiu H，Lee J，Lin J，et al．Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics[J]．Journal of Sound and Vibration, 2006, 289(4-5):1066-1090.