基于MED和LMD的滾動軸承微弱故障信號提取研究

王志堅++吳文軒++張紀平

摘 要：本文提出了一種基于最小熵反褶積（Minimum Entropy Deconvolution）和局部均值分解（Local Mean Decomposition）方法的滾動軸承故障特征提取方法。通過實際驗證成功提取了故障信號。

關(guān)鍵詞：強噪聲背景；齒輪箱；最小熵反褶積；局部均值分解；故障診斷

DOI：10.16640/j.cnki.37-1222/t.2017.15.020

0 引言

在旋轉(zhuǎn)機械中，軸承是必不可少的一部分，而軸承的磨損也是在所難免的，軸承磨損的初期信號較微弱，很難在強噪聲的背景下被人們察覺，不采取相應的措施就會導致軸承故障，影響到整體的工作甚至導致重大的事故，造成經(jīng)濟損失和人員傷亡，因此對軸承早期故障信號的提取顯得十分重要。

由于軸承的故障信號多為非平穩(wěn)信號，所以利用時頻分析法可以在采集信號的時、頻域內(nèi)對信號進行分析。傳統(tǒng)的時頻分析法有：短時傅里葉變換，小波變換等，但都有缺乏自適應性等缺點。而現(xiàn)代時頻分析方法如EMD（經(jīng)驗模態(tài)分解 Empirical Mode Decomposition）具有自適應性，能夠基于信號本身尺度進行分解，但存在模態(tài)混疊、端點效應等問題有待解決。

2005年，Smith Jonathan提出了一種時頻分析法：LMD（局部均值分解 Local Mean Decomposition），LMD方法可以自適應的將采集到的故障信號按頻率從高到低分為若干PF分量（Product Function），PF分量由一個包絡信號和一個純調(diào)頻信號相乘而得，把其中所有的瞬時幅值、頻率相結(jié)合就可以得到完整的時頻分布[1]。

但是LMD方法也有自身的缺點，例如噪聲對分解過程影響較大，所以在強噪聲背景下使用LMD方法就會造成失真，針對以上情況，以LMD方法為基礎(chǔ)，提出了一種MED與LMD方法相結(jié)合的故障信號提取方法。

1 方法概述

1.1 MED方法

作為一種自適應方法，MED最早是由Wiggins提出用于檢測地震信號的方法，2007年被Sawalhi用于滾動軸承的故障診斷中，最終目的是提高信噪比，其優(yōu)點在于降噪能力強，但其輸出結(jié)果突出的是少數(shù)幅值較高脈沖，若有幅值不同的故障信號混合在一起，MED只能突出幅值較高的信號，較低的則無法識別。

1.2 LMD方法

由于實際采集的原始信號中含有不同的頻率成分，所以屬于多分量信號，LMD方法把多分量信號分解為若干單分量信號（PF分量），然后整合到一起就可以得到原始信號的時頻分布。

2 實測信號分析

文章采用的是Case Western Reserve University（美國凱斯西儲大學）故障軸承數(shù)據(jù)進行分析[2]，其中轉(zhuǎn)速為1750r/min，采樣頻率為12000Hz，轉(zhuǎn)動軸基頻約為29.1Hz，計算后的內(nèi)圈故障頻率約為157.9Hz，本文從采集到的數(shù)據(jù)中選取10240個點進行分析研究。

原始故障信號的所有PF分量可以得到原始信號的波形比較雜亂，雖然從內(nèi)圈故障頻率157.9Hz處左右有明顯峰值，但在190Hz和290Hz處峰值較高，難以辨別是噪聲還是故障頻率，故無法得到有用的頻率信息。

經(jīng)過降噪處理后的信號降噪與之前的信號相比，噪聲得到了削弱，同時可以看出有周期性的故障信息。

在頻率值為158.1Hz處有明顯的峰值，與計算出的滾動軸承內(nèi)圈故障頻率157.9Hz差距很小，屬于正常的誤差范圍，可以認定158.1Hz就是軸承的內(nèi)圈故障頻率特征，同時在158.1Hz的近似二倍頻率316.2Hz處也有明顯的峰值，因此可以認為提取出了內(nèi)圈的故障信息。同時，在頻率值為29.2和58.4Hz處也有明顯峰值，這與轉(zhuǎn)軸基頻和其二倍頻率58.2誤差很小。

以上數(shù)據(jù)表明，本文成功的提取了滾動軸承的內(nèi)圈故障信息，由此證明了提出的方法具有可行性。

3 結(jié)論

（1）最小熵反褶積（Minimum Entropy Deconvolution，MED）對強噪聲背景下的故障信號有較強的降噪能力，但其只能突出較高的幅值信息，無法得到周期性故障信息。

（2）局部均值分解（Local Mean Decomposition，LMD）對故障信號由較強的分解分析能力，但是在強噪聲背景下就會失真，發(fā)生模態(tài)混疊等現(xiàn)象，難以得到有效的故障信息。

（3）本文提出的MED與LMD相結(jié)合的方法，先使用MED對強噪聲背景下的故障信號進行降噪，然后使用LMD對降噪后的信號進行分解，在利用仿真信號驗證了方法的可行性后，成功提取了軸承的微弱故障特征。為微弱故障特征的提取提供了一種新的研究思路。

參考文獻：

[1]Huo L.Introduce the Quantitative Identification Method of Rolling Bearing in the Application of Fault Detection[J]. Applied Mechanics & Materials，2015（742）：147-149.

[2]Case Western Reserve University.Case western reserve university bear-ing data center website[EB/OL].2011，05（03）.http：//www.eecs.case.edu/ laboratory/bearing/.

作者簡介：王志堅，男，博士，研究方向：制造過程與故障診斷。