小波變換在滾動軸承故障信號分析中的應(yīng)用

王舒瑋

(山西大同大學(xué)機電工程學(xué)院，山西大同037003)

隨著科技的不斷進步，各類工程系統(tǒng)也越來越復(fù)雜，為避免系統(tǒng)由于故障而停機給生產(chǎn)帶來損失，技術(shù)人員更加注重系統(tǒng)的故障預(yù)防。在機械裝備中，回轉(zhuǎn)機械占據(jù)了90%左右，而滾動軸承作為回轉(zhuǎn)機械裝備最重要的一種零件，其性能的好壞直接影響整臺機器的性能[1]。機械裝備發(fā)生故障很多都是由滾動軸承的故障引起的，研究滾動軸承的故障診斷很有必要。

20世紀(jì)80年代后，人們開始將檢測到的振動信號進行小波分解，在分解的結(jié)果中直接提取故障特征進行診斷。由于檢測信號中存在大量的噪聲，使得直接在小波分解后的信號中無法提取故障信息[2]。為此，國內(nèi)外的眾多學(xué)者提出不同的方法解決這個問題。例如：國外的印度理工學(xué)院S.Prab?hakar等人[3]和凱斯西儲大學(xué)Xinsheng Lou等人[4]，國內(nèi)的胥永剛等人[5]、李宏坤等人[6]和馬倫等人[7]，他們均提出了滾動軸承故障診斷方法[8]，但理論較深，普通的技術(shù)人員難以掌握，在實際工程中的應(yīng)用并不廣泛。本文使用小波變換和Hilbert變換來處理滾動軸承故障信號，并進行了相關(guān)分析。

1 滾動軸承故障信號處理

本文用到的滾動軸承數(shù)據(jù)來自Case Western Reserve University Bearing Data Center，測試滾動軸承型號為6205-2RS，為深溝球軸承，制造商為SKF公司，外環(huán)缺陷頻響率為3.584 8×運行速度（Hz），經(jīng)計算故障頻率約為6.18 kHz。滾動軸承正常運轉(zhuǎn)條件下，當(dāng)軸承外圈滾道上有單點故障尺寸直徑為0.021″、深度為0.11″時，采樣頻率為48 kHz，采樣點數(shù)為489 125。驅(qū)動端加速度傳感器采集軸承外圈的信號，軸承正常運轉(zhuǎn)時的信號及其頻譜圖，見圖1。軸承有故障運轉(zhuǎn)時的信號及其頻譜圖，見圖2。

圖1 軸承正常運轉(zhuǎn)信號及頻譜圖

圖2 軸承故障運轉(zhuǎn)信號及頻譜圖

從圖1和圖2可知，在時域中時，軸承正常運轉(zhuǎn)時的信號幅值較小，幅值主要在區(qū)間（-0.3，+0.3），而軸承有故障時的信號幅值遠大于正常運轉(zhuǎn)時的信號幅值，幅值主要在區(qū)間（-8，+8）；在頻域中時，軸承正常運轉(zhuǎn)信號和有故障運轉(zhuǎn)信號的頻譜主要分布在歸一化頻率區(qū)間（0，0.35），但是在此區(qū)間內(nèi)軸承有故障運轉(zhuǎn)信號的頻譜密度和量級均大于正常運轉(zhuǎn)信號頻譜的。

經(jīng)計算，軸承外圈滾道上有單點故障對應(yīng)的故障特征歸一化頻率為0.25，而從圖2中無法找出此頻率。

在小波變換處理信號時，應(yīng)選取和待處理信號較為相似的小波基函數(shù)。小波變換中的小波系數(shù)表示了小波和與被處理信號之間的相似程度，即小波系數(shù)大意味著小波和與被處理信號之間的相似程度高；反之，則其相似程度低。本文擬采用bior2.4小波對信號進行處理，見圖3。

圖3 bior2.4小波

對圖2中軸承有故障信號做bior2.4小波變換處理，隨后對各個細節(jié)信號和近似信號做Hilbert變換和Hilbert包絡(luò)譜分析。結(jié)果發(fā)現(xiàn)，第三層近似信號（a3）的Hilbert包絡(luò)譜中歸一化頻率0.25處有頻譜分布，且比較明顯，同時有倍頻現(xiàn)象，即0.5和0.75處有頻譜分布，見圖4a（圖中圈住了相關(guān)頻譜），而其余的細節(jié)信號和近似信號則無法識別相應(yīng)的故障特征頻率。由于圖4a中特征頻率的幅度較小，觀察不便，將縱坐標(biāo)的幅度Magnitude變?yōu)榉确重怣agnitude（dB），見圖4b，圖中可以十分清晰的看到軸承故障頻譜及其倍頻現(xiàn)象。

圖4 小波變換近似信號a3Hilbert包絡(luò)譜處理結(jié)果

2 結(jié)語

由于實際工程技術(shù)中常需要對滾動軸承的故障信號進行初步的分析，而多數(shù)的技術(shù)人員并不掌握相關(guān)的理論。本文通過對比快速傅立葉變換和基于小波變換的Hilbert包絡(luò)譜處理的滾動軸承外圈有故障信號的結(jié)果，發(fā)現(xiàn)在bior2.4小波變換后的細節(jié)信號和近似信號的Hilbert包絡(luò)譜分析中，a3近似信號的Hilbert包絡(luò)譜中故障特征較明顯。這證明了小波變化技術(shù)能夠從復(fù)雜的滾動軸承振動信號中提取故障特征信息，進而判斷軸承故障發(fā)生的位置。

[1]姜濤,袁勝發(fā).基于改進小波神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[J].華中農(nóng)業(yè)大學(xué)學(xué)報,2014,33(1):131-136.

[2]張輝,王淑娟,張青森,等.基于小波包變換的滾動軸承故障診斷方法的研究[J].振動與沖擊,2004,23(4):127-130.

[3]Prabhakar S,Mohanty A R,Sekhar A S.Application of discrete wavelet transform for detection of ball bearing race faults[J].Tribolo?gy International,2002,35(12):793-800.

[4]Lou X,Loparo K A.Bearing fault diagnosis based on wavelet transform and fuzzy inference[J].Mechanical systems and signal pro?cessing,2004,18(5):1077-1095.

[5]胥永剛,孟志鵬,陸明.基于雙樹復(fù)小波包變換的滾動軸承故障診斷[J].農(nóng)業(yè)工程學(xué)報,2013,29(10):49-56.

[6]李宏坤,趙長生,周帥,等.基于小波包—坐標(biāo)變換的滾動軸承故障特征增強方法[J].機械工程學(xué)報,2011,47(19):74-80.

[7]馬倫,康建設(shè),孟妍,等.基于Morlet小波變換的滾動軸承早期故障特征提取研究[J].儀器儀表學(xué)報,2013,34(4):920-926.

[8]蔡念,胡匡祜,李淑宇,等.小波神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].中國體視學(xué)與圖像分析,2001,6(4):239-245.