基于階比分析法的軸承振動信號檢測方法

滾動軸承是旋轉(zhuǎn)設備中最常用、最重要的部件之一，通常是長期維護的重要部件。因此滾動軸承通常是機械設備中故障高發(fā)部件。與此同時,滾動軸承作為機床的重要組成部件,也是機床容易發(fā)生故障的部位,其運行的好壞直接影響整臺設備的工作性能及使用壽命。因此,對滾動軸承的運行狀態(tài)進行監(jiān)測并及時發(fā)現(xiàn)其中存在的故障隱患在機床的使用具有十分重要的意義,這點對大型復雜機床尤甚。在機床的運行過程中,轉(zhuǎn)速是時刻變化的,而且很多故障信息往往只有在加速的過程中才能表現(xiàn)出來。在上述情況下,常用信號處理方法是在進行故障診斷時效果往往不太好。旋轉(zhuǎn)運動作為機床的一種主要運動形式,在機床運行時,雖然這些加速過程中的振動信號主要頻率成分相差很大,但都與轉(zhuǎn)速有著密切的關(guān)系。利用階比跟蹤技術(shù)在角域分析這些信號即可消除時域分析時轉(zhuǎn)速對其出現(xiàn)周期的影響,進而精確定位到這些信號。希爾伯特黃變換(Hilbert-HuangTransform,HHT)由美國航空航天局Dr.Huang于1998年提出,被認為是近年來對以傅立葉變換為基礎的線性和穩(wěn)態(tài)譜分析的一個重大突破。文獻將階比分析與EMD相結(jié)合,克服了傳統(tǒng)頻譜分析在變轉(zhuǎn)速軸承故障轉(zhuǎn)動中頻率模糊的難題,實現(xiàn)了滾動軸承故障的快速診斷。然而EMD算法本身也存在一些不足,如均值與停止條件、端點效應、模式混淆等。為解決經(jīng)典EMD方法模式混疊問題,Wu和Huang在對白噪聲進行EMD分解深入研究的基礎上,提出了一種新的噪聲輔助數(shù)據(jù)分析方法,即總體平均經(jīng)驗模式分解方法(EnsembleEmpiricalModeDecomposition,EEMD),該方法將原始信號加入白噪聲進行整體的EMD分解,然后對分解結(jié)果進行平均值處理。由此,本文作者提出一種將階比分析與EEMD相結(jié)合的軸承故障診斷方法。首先通過階比分析方法實現(xiàn)了軸承振動信號從時域向角域的轉(zhuǎn)變,然后對角域的振動數(shù)據(jù)進行EEMD分解,得到一系列高頻固有模態(tài)函數(shù)及相關(guān)參數(shù),然后對包含有軸承故障信息的模態(tài)函數(shù)進行了頻譜分析。通過實例分析表明,該方法能夠在克服轉(zhuǎn)速波動的同時快速有效地提取出滾動軸承的故障信息。1誤差跟蹤的傳統(tǒng)階比跟蹤方法階比分析的第一步將時域的非穩(wěn)態(tài)時變信號通過等角度采樣的方式轉(zhuǎn)變?yōu)榻怯驕史€(wěn)態(tài)信號,也稱之為階比跟蹤。因此,階比分析方法的關(guān)鍵在于實現(xiàn)階比跟蹤,從而將時變信號轉(zhuǎn)變?yōu)榻怯驕势椒€(wěn)信號。傳統(tǒng)的階比跟蹤方法是直接通過模擬設備實現(xiàn)對模擬的振動信號進行恒定角增量采樣的,但所使用的跟蹤濾波器等硬件不但結(jié)構(gòu)復雜、價格昂貴,而且在旋轉(zhuǎn)機械轉(zhuǎn)速變化快時,其跟蹤精度得不到保證,因而限制了其在工程實際中的廣泛應用。計算階比跟蹤與上述傳統(tǒng)的硬件階比跟蹤方法相比在各方面已大為簡化,在精度方面也得到了很明顯的提高,其實現(xiàn)思想是對振動信號和轉(zhuǎn)速信號單獨采樣,再通過相應的插值算法用軟件實現(xiàn)等角度間隔采樣,它最大的優(yōu)點在于無需特定的硬件,克服了傳統(tǒng)階比跟蹤算法中成本較高的不足。2eemd的分解步驟EEMD作為一種自適應的處理方法,能夠?qū)Ψ瞧椒€(wěn)時變信號的瞬態(tài)特征進行有效的提取。EEMD在分解過程中充分利用白噪聲頻率均勻分布特性,通過在振動信號加入高斯白噪聲,使得該信號在不同尺度上表現(xiàn)出明顯的連續(xù)性,從而改變其極值點的特性,促進信號的抗混分解,有效地避免了EMD分解中的混疊現(xiàn)象。EEMD的具體分解步驟如下(1)在輸入的信號x(t)上加入等長度正態(tài)分布的隨機高斯白噪聲序列ni(t),得到加噪后的信號xi(t)式中:xi(t)為第i次加噪后得到的信號,k為所加白噪聲信號的幅值系數(shù)。(2)對經(jīng)過上述加噪處理后的信號xi(t)按EMD分解步驟進行分解,從而得到固有模態(tài)分量cij(t)和余項ri(t),其中cij(t)表示第i次加噪處理后再進行EMD分解所得的第j個分量。(3)重復上述步驟,根據(jù)不相關(guān)的隨機序列統(tǒng)計均值為0原理,將上述各固有模態(tài)分量cij(t)進行整體平均計算,通過計算可以對多次加入白噪聲對真實IMF的影響進行抵消,最終再對每個IMF計算平均值:式中:ci(t)作為EEMD分解后得到的第j個IMF,N為指添加白噪聲序列的數(shù)目。3等效階比跟蹤重采樣點的計算基于階比分析和EEMD的故障診斷具體步驟如下如下:(1)為減小機床運行過程中噪聲對信號提取的影響,這里通過db4小波對振動信號進行閥值降噪;(2)由于這里只用到在很短時間內(nèi)的振動數(shù)據(jù),根據(jù)文獻,軸承所在的參考軸在短時間內(nèi)可看作是一種勻變速運動,因此,轉(zhuǎn)角與時間的函數(shù)關(guān)系可以通過多項式表示出來式中:bn為待定的系數(shù);t為信號采樣對應的時間。在采集到的時域振動信號中,轉(zhuǎn)過相等角度Δα的連續(xù)時間為ti,可得將式(4)代入式(3)中,可求得待定系數(shù)bn。為簡化計算過程這里取n=3時進行計算。求出bi(i=1,2,3),再代入式(3)即求出等角度重采樣所對應的時間點ti(i=1,2,3)將ti(i=1,2,3)和對之相應的參考軸轉(zhuǎn)角代入式(5)可得通過上述計算即可以得出關(guān)于等角度采樣點的方程,在求出等角度重采樣振動信號對應的時間點后,通過三次樣條插值算法即可實現(xiàn)時域信號的計算階比跟蹤重采樣,從而得到等角度分布的采樣點χ(m)。(3)對經(jīng)過階比跟蹤處理后的角域準平穩(wěn)信號χ(m)進行上述EEMD分解,得到其各個IMF分量,c1,c2,…,cn。(4)對上述各IMF的瞬時幅值進行頻譜分析,即可有效地實現(xiàn)對故障軸承相關(guān)故障信息的提取。4振動時域重采樣某型數(shù)控機床的主軸軸承出現(xiàn)故障。通過安裝在軸承座上的振動傳感器獲取機床運轉(zhuǎn)時的振動信號,與此同時通過轉(zhuǎn)速傳感器獲取該機床主軸的實時轉(zhuǎn)速數(shù)據(jù),數(shù)據(jù)采樣頻率為10kHz,采樣時間為10s。使用基于LABVIEW平臺的軸承故障診斷軟件對采集的信號進行分析。圖1和圖2是是采集到的的原始時域振動信號和轉(zhuǎn)速信號。可以看出該軸承的故障信息在振動時域圖中并不明顯。從圖2中可以看出,整個采集過程中該機床主軸的轉(zhuǎn)速是時刻變化的,若直接對時域振動數(shù)據(jù)進行FFT變化,將會導致頻率模糊。因此,采用階比跟蹤法對時域信號進行角域重采樣以克服轉(zhuǎn)速的變化對故障信息提取的不良影響。對角域重采樣后的信號再進行EEMD分解,得到11個IMF與一個余量。由于故障信息都包含在IMF中,這里以第一個IMF為例進行頻譜分析。圖3為分析結(jié)果。從圖中可以明顯的看出故障階次order=10,經(jīng)查詢該故障階次對應的是該類型軸承的內(nèi)圈疲勞裂紋。在對該故障軸承進行分解后,證實該診斷結(jié)果的正確性。為了對比EEMD和EMD在階比重采樣信號的結(jié)果,用EMD分解同一角域重采樣信號,結(jié)果如圖4所示,雖然經(jīng)過EMD分解的重采樣信號也能判斷出特征階次,但受到如均值與停止條件、端點效應、模式混淆等問題的影響,故障診斷的效果不如EEMD明顯,而且在運算速度方面EEMD的分解速度較快。5國內(nèi)外域重采樣信號對比(1)針對變轉(zhuǎn)速工況影響時機床主軸軸承的振動信號的分析,提出了一種采用階比分析和EEMD分解相結(jié)合的滾動軸承故障診斷的方法。(2)采用小波消噪和角域重采樣能有效地將強噪聲條件下的非平穩(wěn)時變信號轉(zhuǎn)換為角域準平穩(wěn)信號,避免了傳統(tǒng)頻譜分析中頻率模糊的問題。(3)對EEMD分解后的