基于小波去噪的機(jī)車牽引電機(jī)軸承故障診斷仿真研究

楊春潔

（中國(guó)中車大連機(jī)車車輛有限公司，遼寧 大連 116021）

牽引電機(jī)是機(jī)車走行部的關(guān)鍵部件，軸承作為牽引電機(jī)與輪對(duì)間最為重要的傳動(dòng)零件，其性能直接影響著機(jī)車的運(yùn)行狀態(tài)。我國(guó)鐵路干線機(jī)車牽引任務(wù)多，運(yùn)行時(shí)間長(zhǎng)，應(yīng)用環(huán)境惡劣，加劇了牽引電機(jī)軸承的磨損和消耗，加重了機(jī)車維護(hù)成本。利用振動(dòng)信號(hào)分析法是監(jiān)測(cè)和診斷牽引電機(jī)軸承故障的手段之一，然而，采集到的振動(dòng)信號(hào)中含有大量的噪聲和干擾，直接對(duì)振動(dòng)信號(hào)進(jìn)行分析會(huì)產(chǎn)生一定的誤差并影響故障識(shí)別的準(zhǔn)確性。本文以此為研究背景，對(duì)試驗(yàn)臺(tái)仿真的軸承振動(dòng)信號(hào)進(jìn)行小波去噪，提純信號(hào)成分，并比較各種去噪效果，使信號(hào)分析更加精準(zhǔn)，再結(jié)合Hilbert 包絡(luò)分析將軸承故障突顯，為牽引電機(jī)軸承故障診斷提供一個(gè)可靠的數(shù)據(jù)分析依據(jù)。

1 小波分析基本理論

小波分析理論是在傅里葉分析理論的基礎(chǔ)上，為了更好的分析和處理非平穩(wěn)信號(hào)而提出的一種新的信號(hào)分析理論，享有“數(shù)學(xué)顯微鏡”的美譽(yù)。

由式(2)(3)可知，小波變換是由尺度因子和小波函數(shù)決定的，而尺度因子和小波函數(shù)的選擇會(huì)帶來不同的變換結(jié)果，這致使小波變化具有復(fù)雜性。因此，1987 年Mallat 提出了多分辨分析理論，并給出了一種不需知道具體尺度因子和小波函數(shù)，由小波系數(shù)就可完成小波分解和重構(gòu)的快速算法-Mallat 算法，如圖1 所示。Mallat 分解算法的實(shí)質(zhì)是將信號(hào)進(jìn)行小波分解后通過一個(gè)高通和低通濾波器組后得到分解后的高頻分量和低頻分量，此時(shí)，信號(hào)的每層分量的長(zhǎng)度減半，再對(duì)所關(guān)心的低頻分量繼續(xù)按照上層分解的方法進(jìn)行分解；而Mallat 重構(gòu)算法是分解算法的逆過程。

圖1 Mallat 分解和重構(gòu)算法示意圖

2 基于小波去噪的特征提取方法

小波去噪是小波分析在信號(hào)分析領(lǐng)域中一個(gè)重要的分析方法，小波去噪法是將振動(dòng)信號(hào)通過低通和高通的一個(gè)濾波器組，把信號(hào)分解為低頻和高頻兩個(gè)部分，通過選擇合適的小波基，使得信號(hào)和噪聲的混疊達(dá)到最小，從而達(dá)到信噪分離的目的。

2.1 小波包去噪方法

多分辨分析可以對(duì)信號(hào)進(jìn)行小波分解，但由于其尺度按二進(jìn)制變化，在高頻段其頻率分辨率差，在低頻段其時(shí)間分辨率差，因此，引入小波包分析法，它能將信號(hào)在頻帶進(jìn)行多層次劃分，對(duì)沒有細(xì)分的高頻段進(jìn)行進(jìn)一步分解，不遺漏高頻段中有用成分，提高了重構(gòu)后信號(hào)與目標(biāo)信號(hào)的匹配度。

小波包去噪法和閾值去噪法思路相同，不同之處在于：小波包分析對(duì)分解后的低頻部分和高頻部分同時(shí)進(jìn)行分解，更加優(yōu)化了小波分解的細(xì)節(jié)部分，不遺漏高頻部分當(dāng)中的有用成分，是一種更精準(zhǔn)、更靈活的去噪手段。小波包去噪的主要過程有4 個(gè)步驟：（1）選擇一種小波包基，確定分解層數(shù)，然后對(duì)信號(hào)進(jìn)行小波包分解；（2）選擇最優(yōu)分解樹；（3）給每一個(gè)小波包分解系數(shù)選擇一個(gè)合適的閾值進(jìn)行閾值量化處理；（4）進(jìn)行小波包重構(gòu)，獲得去噪后的信號(hào)。

以noisbloc 仿真信號(hào)實(shí)現(xiàn)小波包去噪為例，去噪效果如圖2 所示。選擇db4 小波，對(duì)信號(hào)進(jìn)行3 層小波包分解，選擇最佳的分解樹，如圖3。

圖2 原始信號(hào)與小波包去噪信號(hào)對(duì)比圖

圖3 最優(yōu)分解樹

由最優(yōu)分解樹可以看到，小波包分解過程中，不單對(duì)分解系數(shù)中的近似部分（1,0）和（2,0）進(jìn)行分解，而且對(duì)分解系數(shù)中的細(xì)節(jié)部分（1,1）和（2,1）又進(jìn)行了分解，避免了細(xì)節(jié)部分中有用成分的遺漏，從而達(dá)到更佳的去噪效果。

2.2 小波去噪與Hilbert 包絡(luò)分析相結(jié)合的故障特征提取方法

Hilbert 包絡(luò)分析常用于分析旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)，尤其是具有調(diào)制特性的滾動(dòng)軸承振動(dòng)信號(hào)。在滾動(dòng)軸承故障診斷中，利用Hilbert 包絡(luò)譜可以確定滾動(dòng)軸承的故障特征頻率信息。

再以振動(dòng)信號(hào)為實(shí)部，Hilbert 變換對(duì)為虛部，構(gòu)成新的解析信號(hào)：

將小波去噪與Hilbert 包絡(luò)分析相結(jié)合，可以有效地提高故障識(shí)別的準(zhǔn)確性，圖4 給出了這種分析方法的流程圖。

圖4 小波—包絡(luò)故障特征提取流程

如圖4 所示，首先將采集到的故障振動(dòng)信號(hào)F(t)進(jìn)行小波去噪，得到故障信號(hào)f(t)，再對(duì)該信號(hào)進(jìn)行Hilbert 包絡(luò)分析，提取信號(hào)的頻率信息，與故障特征頻率進(jìn)行對(duì)比，識(shí)別故障類型。

3 小波在軸承故障信號(hào)實(shí)例分析

本次牽引電機(jī)軸承故障仿真試驗(yàn)臺(tái)選擇QPZZ-Ⅱ試驗(yàn)臺(tái)，并選擇型號(hào)為N205EM 的滾動(dòng)軸承為研究對(duì)象，所測(cè)滾動(dòng)軸承參數(shù)及其故障特征頻率見表1、2。

表1 滾動(dòng)軸承參數(shù)

表2 滾動(dòng)軸承故障特征頻率

對(duì)模擬含有外圈故障的滾動(dòng)軸承進(jìn)行信號(hào)采集，采樣頻率為51200Hz，索引第1s 內(nèi)的采集點(diǎn)后得到含有外圈故障的滾動(dòng)軸承振動(dòng)信號(hào)如圖5 所示。

圖5 原始振動(dòng)信號(hào)

圖5 中可以看出，原始振動(dòng)信號(hào)中夾雜大量的噪聲和干擾，不能明顯分辨原始信號(hào)中軸承信號(hào)成分，影響故障診斷的準(zhǔn)確性。sym 小波基具有良好的緊支撐性，與滾動(dòng)軸承振動(dòng)信號(hào)的波形近似度高，小波變換系數(shù)大，被選為實(shí)驗(yàn)中小波去噪的小波基函數(shù)。因此，選擇sym8 小波基，對(duì)原始振動(dòng)信號(hào)小波包去噪，去噪后的信號(hào)如圖6 所示。

圖6 經(jīng)小波包去噪后的信號(hào)

圖6 可以看到，經(jīng)過小波去噪后的信號(hào)已經(jīng)明顯消去噪聲和干擾成分，此時(shí)振動(dòng)信號(hào)中含有大部分軸承信號(hào)成分，而軸承信號(hào)中含有明顯的沖擊成分，因此，選擇經(jīng)小波包去噪后的振動(dòng)信號(hào)進(jìn)行Hilbert 包絡(luò)譜分析，提取故障特征頻率，如圖7 所示。

圖7 去噪后信號(hào)包絡(luò)譜

圖7 中可以看到，經(jīng)小波包去噪后的信號(hào)包絡(luò)譜中可以清晰看到有符合外圈故障頻率的79Hz，及其2 倍頻160Hz 和3 倍頻241Hz，在倍頻的周圍還有邊頻現(xiàn)象，與軸承外圈故障特征相符，因此可以斷定該軸承的故障類型屬于軸承外圈故障。

根據(jù)上述數(shù)據(jù)顯示，在機(jī)車牽引電機(jī)軸承振動(dòng)信號(hào)分析中，選擇與振動(dòng)信號(hào)近似度最高、小波變換系數(shù)最大的小波基函數(shù)，可以獲得最好的去噪效果，給小波去噪提供了一個(gè)可靠的選擇依據(jù)。

4 結(jié)語(yǔ)

通過試驗(yàn)臺(tái)軸承的實(shí)驗(yàn)數(shù)據(jù)和分析，得出以下兩個(gè)結(jié)論：

（1）小波分析能夠剝離振動(dòng)信號(hào)的頻域，具有良好的應(yīng)用前景，在振動(dòng)信號(hào)分析中，對(duì)采集到含有噪聲和干擾的振動(dòng)信號(hào)，小波去噪相比其他去噪方法，可將采集信號(hào)分解在低頻部分和高頻部分，將噪聲信號(hào)和被測(cè)振動(dòng)信號(hào)有效地分離，消去噪聲成分，再重構(gòu)后得到含有大部分實(shí)際信號(hào)成分的去噪信號(hào)，實(shí)現(xiàn)了信噪分離的同時(shí)又不濾掉信號(hào)中的有用成分，對(duì)機(jī)車牽引電機(jī)軸承振動(dòng)信號(hào)的分析具重要的實(shí)用價(jià)值。

（2）小波去噪可以有效地對(duì)采集信號(hào)進(jìn)行信噪分離，結(jié)合Hilbert 包絡(luò)譜分析，提取滾動(dòng)軸承的故障特征頻率，是監(jiān)測(cè)和診斷機(jī)車牽引電機(jī)軸承故障的重要方法和手段。