基于EWT和包絡(luò)譜分析的軸承故障診斷研究

劉自然　陳仁權(quán)　顏丙生　黃金來

摘要：針對(duì)軸承故障早期信號(hào)非常微弱難以提取的特點(diǎn)，提出一種經(jīng)驗(yàn)小波變換（EWT）和包絡(luò)譜分析相結(jié)合的故障診斷方法。該方法應(yīng)用EWT對(duì)信號(hào)進(jìn)行自適應(yīng)的分解處理，通過選取表征軸承故障的模態(tài)分量進(jìn)行包絡(luò)譜分析，對(duì)軸承故障進(jìn)行判斷，并在LabVIEW開發(fā)環(huán)境下實(shí)現(xiàn)，有效拓寬其適用環(huán)境。其中EWT是通過結(jié)合小波變換和經(jīng)驗(yàn)?zāi)B(tài)分解各自的優(yōu)點(diǎn)，建立自適應(yīng)的小波濾波器來提取信號(hào)的模態(tài)函數(shù)。通過仿真信號(hào)和軸承故障實(shí)驗(yàn)信號(hào)的研究結(jié)果表明，LabVIEW開發(fā)環(huán)境下的EWT能夠有效地對(duì)信號(hào)進(jìn)行自適應(yīng)分解，在與包絡(luò)譜分析相結(jié)合后能夠更為有效地提取并識(shí)別軸承故障類型。

關(guān)鍵詞：故障診斷；經(jīng)驗(yàn)小波變換；包絡(luò)譜分析；LabVIEW；軸承

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-5124（2018）02-0098-05

0引言

滾動(dòng)軸承故障早期，故障信號(hào)非常微弱，在獲取振動(dòng)信號(hào)時(shí)會(huì)不可避免地包含大量低頻噪聲，嚴(yán)重影響包絡(luò)譜分析的結(jié)果和判斷；因此，需在進(jìn)行包絡(luò)譜分析前先對(duì)振動(dòng)信號(hào)進(jìn)行高通濾波以消除低頻噪聲的干擾。但高頻濾波的帶寬往往難以自適應(yīng)選擇，可以利用經(jīng)驗(yàn)小波變換（EWT）的自適應(yīng)，將信號(hào)從高頻到低頻進(jìn)行分解，然后對(duì)分解的分量進(jìn)行包絡(luò)譜分析。

EWT是2013年Gilles主要針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）沒有完備的理論基礎(chǔ)、模態(tài)混疊、端點(diǎn)效應(yīng)等問題提出的。該方法以小波變換為基礎(chǔ)結(jié)合EMD分解的自適應(yīng)性，對(duì)信號(hào)的傅里葉頻譜進(jìn)行分割，構(gòu)造小波濾波器組，從而提取固有模態(tài)。近年來，國(guó)內(nèi)外學(xué)者對(duì)EWT進(jìn)行了深入研究，M.Kedadouche等將EWT與EMD和EEMD的分解進(jìn)行了詳細(xì)的對(duì)比：李志農(nóng)等將經(jīng)驗(yàn)小波變換應(yīng)用到機(jī)械故障診斷中，驗(yàn)證了該方法能夠用于機(jī)械設(shè)備診斷；向玲等將EWT方法和EMD方法在轉(zhuǎn)子系統(tǒng)實(shí)驗(yàn)故障信號(hào)中進(jìn)行了性能對(duì)比，驗(yàn)證了EWT在實(shí)際應(yīng)用中的有效性：Zhang XL等將EWT應(yīng)用到圖像處理中提高了圖像檢測(cè)的品質(zhì)：M.Kedadouche等提出了OMA-EWT，將EWT和OMA（operationalmodal analysis）相結(jié)合應(yīng)用于軸承故障診斷，提高了故障診斷的檢測(cè)精度；Jiang等將原信號(hào)進(jìn)行EWT分解后產(chǎn)生的各模態(tài)輸入到混沌振蕩器中進(jìn)行進(jìn)一步的提取信息，增加了信號(hào)處理的準(zhǔn)確性。本文簡(jiǎn)要介紹了EWT的基本理論，在LabVIEW開發(fā)環(huán)境中實(shí)現(xiàn)該算法，并通過仿真信號(hào)來驗(yàn)證其有效性，同時(shí)將EWT與包絡(luò)譜分析相結(jié)合通過軸承故障模擬試驗(yàn)臺(tái)來檢驗(yàn)其能否有效診斷軸承的故障類型。

1經(jīng)驗(yàn)小波變換

經(jīng)驗(yàn)小波變換實(shí)質(zhì)是將原信號(hào)進(jìn)行傅里葉變換并對(duì)得到的傅里葉頻譜進(jìn)行分割劃分，然后建立一組適合每個(gè)劃分后的傅里葉頻譜的小波濾波器組并對(duì)其進(jìn)行處理。

為了完成對(duì)信號(hào)的經(jīng)驗(yàn)小波分解，對(duì)Gilles所提出的頻帶分割方法進(jìn)行了適當(dāng)?shù)母倪M(jìn)，將在角頻率上對(duì)信號(hào)頻譜進(jìn)行分割改為在頻率上分割。經(jīng)驗(yàn)小波變換是一個(gè)尺度函數(shù)和Ⅳ個(gè)小波函數(shù)分別對(duì)輸入信號(hào)進(jìn)行自適應(yīng)濾波的分解結(jié)果，對(duì)此仿真信號(hào)可取N=2。如圖6所示為仿真信號(hào)的頻譜和每個(gè)濾波器所檢測(cè)的邊界，經(jīng)EWT分解后得到的信號(hào)如圖7所示，可以看出用EWT分解后得到的3個(gè)分量從上到下分別對(duì)應(yīng)仿真信號(hào)的正弦信號(hào)、調(diào)幅信號(hào)、調(diào)幅調(diào)頻分量。由此可以驗(yàn)證用LabVIEW編寫的EWT程序能夠準(zhǔn)確地分解信號(hào)。

5基于EWT的軸承故障包絡(luò)譜分析

為了驗(yàn)證方法的正確性，在SpectraQuest公司最近推出的軸承故障模擬試驗(yàn)臺(tái)（MFS）上進(jìn)行實(shí)驗(yàn)。圖8為軸承故障模擬試驗(yàn)臺(tái)，將用于實(shí)驗(yàn)的內(nèi)圈故障軸承安裝在模擬試驗(yàn)臺(tái)的內(nèi)側(cè)。軸承型號(hào)為MBER-10K，其節(jié)圓直徑33.5mm，滾珠直徑7.94mm，個(gè)數(shù)8，接觸角0°，信號(hào)采集時(shí)電動(dòng)機(jī)的實(shí)際轉(zhuǎn)速為1788r/min，采樣頻率10240Hz，采樣時(shí)間10s。經(jīng)過計(jì)算可知軸承內(nèi)圈的故障特征頻率為147.452hz。

圖9是內(nèi)圈故障滾動(dòng)軸承的時(shí)域波形和頻譜圖，由于在采集信號(hào)的過程中存在大量噪聲，使得軸承故障引起的頻率特征被淹沒，從圖中很難判斷出軸承的故障類型。

首先用LabVIEW編寫的EWT對(duì)軸承的振動(dòng)信號(hào)進(jìn)行分解，其分解后的結(jié)果和各模態(tài)信號(hào)的傅里葉變換如圖10所示。

從圖中可以看出c2分量的沖擊信號(hào)相對(duì)比較明顯，且所含的高頻噪聲信號(hào)較少，對(duì)其進(jìn)行包絡(luò)譜分析，其包絡(luò)譜如圖11所示。

從圖中可以很明顯的找到特征頻率147.7hz以及其倍頻295.4hz，441.6hz和它們周圍的邊頻所對(duì)應(yīng)的譜線，這和軸承內(nèi)圈故障特征頻率147.452hz相對(duì)應(yīng)，充分說明滾動(dòng)軸承內(nèi)圈發(fā)生故障。結(jié)果表明：用LabVIEW編寫的經(jīng)驗(yàn)小波變換和包絡(luò)譜分析相結(jié)合的方法能夠有效地從噪聲環(huán)境中提取軸承故障特征信號(hào)，正確識(shí)別出軸承故障類型。

6結(jié)束語(yǔ)

本文以LabVIEW為開發(fā)環(huán)境的經(jīng)驗(yàn)小波變換，通過仿真信號(hào)驗(yàn)證了其有效性，拓寬了EWT分析算法的適用環(huán)境，具有很好的應(yīng)用價(jià)值。并在此環(huán)境下結(jié)合EWT和包絡(luò)譜分析各自的信號(hào)處理優(yōu)勢(shì)，將其應(yīng)用到軸承的故障診斷中，實(shí)驗(yàn)結(jié)果表明，該方法能夠有效提取軸承振動(dòng)特性，準(zhǔn)確判斷軸承的故障類型。