朱德程，向家偉

(溫州大學機電工程學院，浙江溫州 325035)

基于PPCA消噪和譜峭度的滾動軸承故障診斷方法

朱德程，向家偉?

(溫州大學機電工程學院，浙江溫州 325035)

基于概率主成分分析（Probabilistic Principal Component Analysis，PPCA）和譜峭度方法，提出一種軸承故障診斷新方法．用主元模型對原始信號進行消噪，可完整地保留信號的有用成分，并能大幅度提高信噪比，解決故障信號易受噪聲干擾的問題．對消噪后的信號進行基于譜峭度的最優(yōu)帶通濾波和包絡譜分析，由包絡頻譜診斷軸承故障．通過數(shù)值仿真和實驗驗證了所給方法的正確性和有效性．所給方法可用于滾動軸承的故障診斷．

概率主元分析；譜峭度；滾動軸承；故障診斷

當軸承發(fā)生故障時，處于不同周向分布角的滾動體經(jīng)過故障位置處就會產(chǎn)生周期性沖擊載荷，其振動信號在軸承固有頻率附近會出現(xiàn)均勻的調(diào)制邊頻帶，然而，直接采用頻譜分析無法識別出這種由故障信號調(diào)制的高頻載波非等周期沖擊信號，目前采用的最有效方法是包絡分析法，而包絡分析法的效果取決于對振動信號進行預處理和去噪處理法的優(yōu)劣．文獻[1]用AR模型對原始信號進行濾波，濾除穩(wěn)定成分以增強故障沖擊成分，但對于沖擊持續(xù)時間很短的短數(shù)據(jù)，由AR參數(shù)得出的譜估計的分辨率會很差，并且Morlet小波波形參數(shù)是常數(shù)，小波與沖擊成分的匹配性差，影響包絡結果．文獻[2]通過求理想故障信號相對于實測帶噪信號的后驗概率密度的期望的方式，給出原始信號的最小均方差估計，進行消噪．該方法雖然考慮了有、無故障沖擊的概率，但當采樣數(shù)據(jù)不夠長、先驗信息不準時，不能保證噪聲估計結果的正定性．文獻[3]使用經(jīng)驗模式分解（EMD）將原始信號分解為不同尺度的本征模式分量（IMF），通過選取峭度值大于3的IMF重構信號，達到降噪目的．EMD消噪法突出了信號的高頻共振成分，能提高峭度值，但存在模態(tài)混疊問題，無法將高頻噪聲分離出去，得到的高頻分量通常被當作噪聲直接去除，這樣就有可能舍掉了有用的信號成分．譜峭度的包絡分析方法[4]主要用于軸承早期故障微弱信號的診斷，其對瞬態(tài)沖擊信號敏感，并能明確指出確定瞬態(tài)成分所在頻帶，但易受噪聲干擾，不適合強噪聲環(huán)境下的狀態(tài)檢測．本文提出了一種基于 PPCA消噪和譜峭度的滾動軸承故障診斷方法，并運用Hilbert包絡計算，由包絡頻譜診斷軸承的故障特征．實驗表明，所給方法能較為完整地保留有用信號成分，有效抑制噪聲，提高故障診斷的準確性．

1 概率主元（PPCA）消噪與譜峭度法

1.1 概率主元模型

概率主元模型[5-8]是在因子分析法隱含變量模型的基礎上，假設高斯噪聲的方差各向同性，由因子向量（主元向量）疊加噪聲產(chǎn)生的生成模型，數(shù)學形式為：

其中，X為原始變量，是m× n階經(jīng)歸一化處理的采樣數(shù)據(jù)，m為采樣數(shù)，n為原始變量個數(shù)；P為待求的m×k階負荷向量，k為主元個數(shù)，且k＜m；t為主元變量；e( t)為高斯噪聲．

確定概率模型后，分別計算主元變量、原始變量在給定主元變量、主元變量在給定原始變量下的分布，獲得PPCA模型．

原始變量在給定主元變量下的條件分布為：

原始變量的分布為：

1.2 概率主元消噪方法

根據(jù) 1.1得到的負荷向量P，將歸一化處理的原始數(shù)據(jù)X分解為P的外積之和，得到原始數(shù)據(jù)的主元模型，其數(shù)學表示為：

1.3 譜峭度法與帶通濾波頻率

峭度對沖擊信號敏感，常用來檢測含噪信號中的瞬態(tài)成分，但由于峭度值易受噪聲干擾，為此提出了譜峭度方法，該方法既能檢測瞬態(tài)沖擊成分，又能確定頻率的峭度值．定義信號X( t)的的系統(tǒng)激勵響應Y( t)的譜形式為：

其中，E{·}表示求期望，|·|表示求模．

由式（13）可知，SK值由信號的系統(tǒng)響應傳遞函數(shù)決定，所以與濾波器的中心頻率和帶寬的選擇有關．當帶寬趨于無限小，則SK值為0，當帶寬很寬時，受噪聲影響，SK將無法檢測到窄帶瞬態(tài)信號．因此，對于非平穩(wěn)信號，SK值是中心頻率和帶寬的函數(shù)．所以，快速峭度圖[12]的基本思想是：給定一組關于中心頻率和帶寬的數(shù)組，將每組參數(shù)作為帶通濾波器參數(shù)對信號濾波，然后計算濾波后信號的包絡，最后計算每一時域包絡信號的峭度，與最大SK值對應的參數(shù)就是最優(yōu)中心頻率和帶寬．

2 基于PPCA消噪和譜峭度的滾動軸承故障診斷方法

軸承早期的故障特征頻率信號很微弱，進行采樣包絡分析時，截取的采樣信號一般位于軸承共振頻率附近，因為軸承的共振頻率很高，如果不對采樣信號作消噪處理，進行頻率譜峭度計算時得到的中心頻率就會和軸承共振頻率相差很大，截取的信號有可能不能有效地包含軸承的故障特征成分．另外，噪聲干擾強度過大，也會使頻譜分析的分辨率變差?；诖耍疚奶岢鲆环N滾動軸承混合診斷方法，其診斷流程如圖1所示．

首先采用PPCA對原始振動信號進行預處理，這樣既能有效制止高斯噪聲又不損失主要信息；然后由快速譜峭度圖確定最優(yōu)帶通濾波器的中心頻率和帶寬，利用所得參數(shù)對消噪后信號作帶通濾波，通過Hilbert法計算其包絡，并作降采樣處理；最后對比包絡頻譜和軸承故障頻率診斷出軸承故障．

3 仿真與實驗

3.1 仿真實驗分析

為驗證本文提出方法的正確性，以振動衰減信號、低頻干擾信號和白噪聲的組合作數(shù)字仿真，其表達式為：

式（14）中，用以描述軸承固有頻率為4 000 Hz的振動衰減號為：

轉頻干擾信號為：

其中，f為安裝軸承的軸轉頻，若取轉速n=1 480r/min ，則f=n/60Hz．

設軸承故障沖擊周期T = 0.01，即故障頻率為100 Hz的周期性沖擊振動，采樣頻率fs= 40 960 Hz，采樣點數(shù)為4 096點．仿真信號的時域圖及頻譜圖分別如圖2、圖3所示．

從仿真信號時域圖（圖2）看，信號中含有周期性沖擊成分，但因為噪聲干擾，很難確定沖擊周期，頻譜圖（圖3）中雖然能看到的故障軸承的中心頻率在4 000 Hz附近，但由于噪聲的混疊，無法準確定位，故障頻率的調(diào)頻帶也不明顯．為了抑制噪聲，對原始信號作PPCA消噪處理，處理后的時域圖和頻譜圖分別如圖4、圖5所示．比較圖3和圖5可知，消噪后譜圖相（圖5）對于未消噪的圖3信號明顯增強，并且在中心頻率4 000 Hz附近出現(xiàn)均勻的調(diào)制頻率為100 Hz的邊頻帶，正好為軸承的故障特征頻率．

對PPCA消噪信號計算SK，得到快速峭度圖如圖6所示，最大SK對應的中心頻率為4 196 Hz，和共振頻率4 000 Hz非常接近．帶寬為640 Hz，最大峭度為6.4．

利用快速峭度圖得到最優(yōu)中心頻率和帶寬，對 PPCA消噪的信號進行帶通濾波，結果如圖7所示．由圖7可見，時域圖中振動沖擊成分清楚地凸顯出來，在0.1s中包含10個沖擊．

對帶通濾波后信號進行Hilbert包絡計算．為提高頻譜分析的分辨率，對包絡計算結果作降采樣處理，降采樣率D = 50，得到包絡頻譜如圖8所示．從圖8能清晰地看到故障頻率100 Hz及其倍頻成分，和仿真的故障沖擊頻率完全吻合．

圖1 故障診斷流程圖

圖2 仿真信號時域圖

圖3 仿真信號頻譜圖

圖4 PPCA消噪后時域圖

圖5 PPCA消噪后頻譜圖

圖6 PPCA消噪信號的快速峭度圖

圖7 PPCA消噪信號帶通濾波后波形圖

為驗證PPCA消噪效果，直接對原始信號進行Hilbert包絡分析，結果如圖9所示．從圖9可以看出，由于噪聲信號的干擾使得故障頻率及其倍頻完全淹沒在噪聲中，無法解調(diào)出來．

以上對比分析表明，PPCA消噪能有效抑制噪聲，凸顯軸承中心頻率及其周圍的故障邊頻帶，為快速峭度圖準確選擇最優(yōu)濾波參數(shù)提供條件，從而準確地診斷出軸承的故障特征．

3.2 實驗驗證

以外圈故障軸承的故障診斷為例，對本文方法的可行性進行驗證．實驗測試平臺采用美國Spectraquest公司生產(chǎn)的“機械故障綜合模擬實驗臺（MFS-MG）”，如圖10所示，主要結構包括轉速顯示器、手動調(diào)速器、位移傳感器、測速傳感器、電機、主軸等．

圖8 包絡頻譜圖

圖9 原始信號直接包絡解調(diào)頻譜圖

圖10 MFS-MG機械故障綜合模擬實驗臺

實驗軸承型號為ER-12K，其參數(shù)：滾動體的個數(shù)為8，滾動體直徑為7.937 5 mm，軸承的節(jié)圓直徑為33.477 2 mm．

實驗軸承空載運行，轉速2 990 rpm，采樣頻率25.6 kHz，采樣點數(shù)327 680，以靠近電機左端軸承座位置的傳感器獲取其振動信號，由傳感器經(jīng)數(shù)據(jù)采集卡后連接到計算機上運用VQ軟件完成數(shù)據(jù)采集．由滾動軸承故障特征頻率理論公式得到外圈故障特征頻率為152.1 Hz．

原始數(shù)據(jù)的時域圖如圖 11所示，圖中顯示的沖擊特性不明顯．為提高信噪比，采用 PPCA去噪處理，結果如圖12所示．

圖11 原始信號波形圖

圖12 PPCA消噪后信號波形圖

對比圖11和圖12可知，抑制噪聲后，沖擊特性初步顯現(xiàn)出來了（見圖12）．對消噪信號，采用快速峭度圖計算SK值（結果如圖13所示），得到使信噪比最高的頻帶參數(shù)：中心頻率為9 800 Hz，帶寬為400 Hz，最大峭度值5.1，處于第5分解層，其它頻帶的信噪比都比較低．

對帶通濾波信號進行Hilbert包絡計算，并作降采樣處理，降采樣率D = 50，得到包絡頻譜圖如圖14所示．對不消噪信號直接進行包絡計算得到的頻譜圖如圖15所示．對比圖14和圖15可見，外圈的故障特征頻率152 Hz能從PPCA消噪包絡頻譜圖中清晰地解調(diào)出來，其與滾動軸承故障特征頻率理論計算結果 152.1 Hz非常吻合，從而可診斷出軸承的外圈發(fā)生了故障．如果信號不作消噪預處理，則故障頻率會被噪聲完全湮沒，無法提取特征頻譜．

圖14 PPCA消噪信號包絡頻譜圖

圖13 PPCA消噪信號快速峭度圖

圖15 不消噪信號包絡頻譜圖

4 結 論

本文提出了基于PPCA消噪和譜峭度的滾動軸承故障診斷方法．利用PPCA消噪充分抑制了噪聲和低頻干擾，增強了中心頻率及其周圍的調(diào)制邊頻帶，提高了信噪比，利用快速峭度圖確定了帶通濾波器的最優(yōu)中心頻率和帶寬，最后對帶通濾波后的信號進行Hilbert包絡計算，根據(jù)軸承故障頻率得出診斷結果．數(shù)值仿真和實驗研究表明，PPCA消噪能有效地提高信噪比，抑制噪聲，使軸承共振頻率附近的故障頻率調(diào)制現(xiàn)象凸顯出來，是一種較好的診斷滾動軸承故障的方法．

[1] 郭瑜，鄭華文，高艷等. 基于譜峭度的滾動軸承包絡分析[J]. 振動、測試與診斷，2011，31（4）：517-521.

[2] 周智，朱永生，張優(yōu)云，等. 基于MMSE和譜峭度的滾動軸承故障診斷方法[J]. 振動與沖擊，2013，32（6）：73-77．

[3] 蘇文勝，王奉濤，張志新，等. EMD降噪和譜峭度法在滾動軸承早期故障診斷中的應用[J]. 振動與沖擊，2010，29（3）：18-21．

[4] Sawalhi N,Randall R B,Endo H. The enhancement of fault detection and diagnosis in rolling element bearings usingminimum entropy deconvolution combined with spectral kurtosis [J]. Mechanical System and Signal Processing,2007,21: 2616-2633.

[5] Tipping M E,Bishop C M. Probabilistic principal component analysis [J]. Journal of the Royal Statistical Society: Series B (Statistical Methodology),1999,61(3): 611-622.

[6] 楊沛武. 概率PCA多元統(tǒng)計方法在過程監(jiān)控中的應用研究[D]. 無錫：江南大學自動化研究所，2008：16-20.

[7] 岳春柳. 缺失數(shù)據(jù)的概率主成分分析[D]. 長春：東北師范大學數(shù)學與統(tǒng)計學院，2010：9-14.

[8] 王井東. 線性與核高斯模型及其混合模型的研究[D]. 北京：清華大學電子工程系，2004：14-18.

[9] Dempster A P,Laird N M,Rubin D B. Maximum likelihood from incomplete data via the EM algorithm [J]. Journal of the Royal Statistical Society,B,1977,39(1): 1-38.

[10] Jordan M I,Jacobs R A. Hierarchical mixtures of experts and the EM algorithm [J]. Neural Computation,1994,6(2): 181-214.

[11] Ghahramani Z,Beal M J. Varitional inference for Bayesian mixtures of factor analyzers [J]. Proc NIPS,1999,12: 449-455.

[12] Antonia J,Randall R B. The spectral kurtosis: application to the vibratory surveillance and diagnostics of rotating machines [J]. Mechanical Systems and Signal Processing,2006,20(2): 308-331.

The Method of Rolling Bearing Fault Diagnosis Based on PPCA Noise Elimination and Spectral Kurtosis

ZHU Decheng,XIANG Jiawei
(College of Mechanic and Electronic Engineering,Wenzhou University,Wenzhou,China 325035)

Based on the method of probabilistic principal component analysis (PPCA) and spectral kurtosis method,a new fault diagnosis approach is proposed. The useful component of the signals is completely retained and the signal- to-noise ratio (SNR) is greatly improved by using the principal component models to de-noise original signal. The problem of the fault signals is susceptible to noise interference is solved effectively. The optimal band-pass filter using spectral kurtosis and envelope spectrum are employed to analyze the de-noised signal. Then the bearing faults are detected though the frequency information of envelop spectrum. Numerical simulation and experimental investigation verify that the present approach is corrective and effective and can be applied to the fault diagnosis of rolling bearings.

PPCA; Apectral Kurtosis; Rolling Bearing; Fault Diagnosis

TH133.33

：A

：1674-3563(2017)01-0047-08

10.3875/j.issn.1674-3563.2017.01.006 本文的PDF文件可以從xuebao.wzu.edu.cn獲得

(編輯：王一芳)

2015-06-29

國家自然科學基金(51175097)；浙江自然科學杰出青年基金資助項目(LR13E050002)

朱德程(1990- )，男，山東齊河人，碩士研究生，研究方向：機械故障診斷．? 通訊作者，jwxiang@ wzu.edu.cn