基于改进EMD⁃Kurtogram 法的滚动轴承早期故障诊断研究

2024-03-01赵超阳韩思源李培军

现代电子技术 2024年4期

赵超阳，陈亮，韦隆，韩思源，李培军

（郑机所（郑州）传动科技有限公司，河南郑州 450001）

0 引言

滚动轴承是旋转机械设备的关键部件，决定了设备的使用性能[1⁃2]。相关数据表明，机械设备故障造成的损失极为严重，且旋转机械设备的故障有近3 成是由滚动轴承故障引起的[3]。因此，开展滚动轴承早期故障诊断工作对设备可靠性的保障及避免重大经济损失具有重要意义[4⁃6]。

现有的滚动轴承早期故障诊断技术普遍采用传感设备采集到的振动信号，其早期故障诊断技术的核心机理在于：滚动轴承的不同故障类型对应着不同的故障特征频率，通过对特征频率与振动信号处理得到的频率信息对比，进而判定故障发生的种类。目前，面向振动信号的信号处理技术是滚动轴承早期故障诊断技术的研究热点之一[7]。

信号处理技术的难点在于采集振动信号的不纯粹性。由滚动轴承故障部位引起的共振信号经过时频域分析，可直接得到准确的特征频率，但是在实际工程中，振动信号包含了背景噪声及外界干扰等信息，使得时频域分析很难针对有效信息而进行，因此无法得到滚动轴承准确的故障信息。降噪及共振带的选取是提取有效故障信息的关键。黄文静提出了一种利用提升小波消噪技术来提高局部均值分解分量有效性的方法，从而提高了局部均值分解方法的效率[8]。为了有效提取故障信息，LÜ Y 等提出了一种多元经验模态分解方法，该方法采用非局部均值去噪方法对采样信号进行预处理，提取到能有效反映故障信息的本征模态分量[9]。R.Abdelkader 等改进了传统EMD 方法，根据阈值对EMD分解的本征模态分量进行筛选与重构，在分析信号中突出故障信号[10]。马新娜等提出了一种选取故障信息共振带的快速谱峭度图算法，该算法结合共振解调技术，可实现故障信息的准确诊断[11]。

综上，为提高滚动轴承早期故障诊断的准确性，本文提出一种基于改进EMD⁃Kurtogram 法的滚动轴承早期故障诊断方法。首先通过峭度准则及系数准则对采样信号EMD 处理后的信号进行重构，以削弱干扰信息的影响；接着根据快速谱峭度图得到带通滤波器所需要的参数，通过带通滤波及时频域分析得到故障频率；最后进行实验平台验证及相关算法对比，证明所提方法的有效性和先进性。

1 滚动轴承早期故障诊断技术

1.1 改进经验模态分解法

经验模态分解（Empirical Mode Decomposition,EMD）由美籍学者Huang 等在1998 年首次提出[3]。该方法可将复杂信号分解为一系列本征模函数（Intrinsic Mode Function,IMF）之和，再将故障冲击明显的IMF 分量重构为待处理信号，通过进一步包络解调和短时傅里叶变换以提取故障特征。该方法的缺点在于：

1）有过分解的可能：在生成的系列IMF 分量中常常产生伪分量，这些伪分量会干扰正常特征频率的提取，必须予以去除；

2）IMF 分量合成准则：选择哪些IMF 分量合成待处理信号会影响最终的诊断精度，若选择不合理的重构信号，会增加故障频率提取的难度。

文献[12]针对上述问题提出两种准则，分别为互相关系数准则及峭度准则。互相关系数准则利用伪分量相关系数小的特点引入互相关系数指标；峭度准则利用故障冲击信号峭度值大的特点引入峭度指标。综合上述，对两种准则进行滤波可达到信号去噪的目的。

1.2 谱峭度理论

峭度（Kurtosis）作为统计学上常用的无量纲指标，对冲击特性十分敏感，但其易受噪声信号影响而丧失稳定性与准确性，难以在实际工程中应用。为了克服上述缺陷，R.F.Dwyer 提出了谱峭度的概念，通过得到频率谱上每根谱线的峭度值，进而分析出故障发生的具体频率段[13]。

定义h(t,s)为时变冲击响应函数，信号X(t)的非平稳激励响应信号为Y(t)，Y(t)经Wold⁃Cramer 分解为：

式中：频率f处信号Y(t)的时变传递函数H(t,f)常表达为其短时傅里叶变换后的形式：

式中：γ(τ-t)是窗函数，其宽度往往很小。基于四阶谱累积量的谱峭度可定义为：

式中S2nY(t,f)为2n阶顺时矩。作为衡量复包络信号的指标，S2nY(t,f)可以表达为：

综上，谱峭度可被定义为四阶谱累积量，用于表示概率密度函数H在某一频率上的峰值大小：

1.3 快速谱峭度图

快速谱峭度（FAST⁃Kurtogram）算法由学者J.Antoni首先提出[14]。如图1 所示，快速谱峭度图是该理论的延伸，是由谱峭度值KY(f)、频率f及其分辨率Δf组成的二维图。

图1 快速谱峭度示意图

通过对每个时域包络信号的KY(f)依据其数值分配不同颜色深度，进而将峭度值最大的频段信息在关于带宽和中心频率的网格图上表现出来，以便后续频谱分析。

2 基于EMD⁃Kurtogram 算法的故障诊断

如图2 所示，用于早期故障探测的共振解调技术（又称包络解调技术）利用自身结构的谐振，将故障振动信号调制至高频部分后包络解调出故障特征。带通滤波是该方法剔除无关构件的信号干扰的关键，然而仍然存在无法确定带通滤波器的带宽和中心频率的局限。

图2 共振解调法基本原理

对于旋转机械故障的诊断，FAST⁃Kurtogram 算法可以快速寻找到合适的带通滤波器带宽及中心频率，弥补共振解调技术的不足。为了进一步提高故障诊断的准确性和鲁棒性，结合前文提到的EMD 技术，本文提出一种基于改进EMD⁃Kurtogram 法的滚动轴承早期故障诊断方法，该方法的具体实现流程如图3 所示。

图3 基于EMD⁃Kurtogram 法的早期故障诊断流程

3 实验平台与对比算法

3.1 实验平台介绍

为了验证本文所提方法的有效性，研究样本选择美国凯斯西储大学针对6205⁃2RS 深沟球轴承的故障数据，实验平台如图4 所示。该实验装置采用加速度传感器采集振动信号，基本参数如表1 所示。

表1 滚动轴承基本参数

图4 西储大学实验平台

从表1 可以得到：对内圈而言，故障特征频率f为157.7 Hz；外圈的故障特征频率f为104.4 Hz。

3.2 对比算法及实验结果分析

为了验证本文所提方法的准确性，选择文献[15]提出的优化EMD 算法作为对比算法，该算法采用小波包优化EMD 的方式实现了滚动轴承的故障诊断。采用优化EMD 算法诊断滚动轴承内外圈的频谱分析结果如图5 所示。

图5 优化EMD 算法下内外圈故障频谱分析

图5a）、b）分别为优化EMD 算法下滚动轴承内外圈的频谱分析图，由图中信息可知，经过优化EMD 算法，轴承故障信号的包络谱较为准确地表达了内外圈故障特征频率及其倍频情况，可判断内外圈是否发生故障。但图上的干扰信息是较为严重的，这增加了故障特征频率寻找的难度。从图5a）可以看到，特征频率在频谱图上并不突出；从图5b）可以看到，外圈故障频率前7倍频较为清晰，该倍频后其余高阶倍频被噪声干扰信号掩盖，难以找到。这表明该方法在去噪能力上仍有待提升。

图6 给出了内外圈快速谱峭度图，由图中颜色较深部分频带信息可知，内、外圈的最优带通滤波器参数分别为3 500 Hz、f中心=2.5 和3 000 Hz、f中心=1.5。以该参数进行带通滤波是本文算法的关键。

图6 内外圈快速谱峭度图

带通滤波提升了信噪比，使得振动信号中故障信号更为突出。由图7 中本文算法下内外圈故障频谱分析图可以看出，故障特征频率相较于图5 更加直观。其中，图7a）的故障频率信息更加突出且几乎无噪声信号频率的干扰；相较于图5b），图7b）中同样无明显噪声干扰。此外，外圈的8 倍频和9 倍频清晰可见。这表明本文方法能取得更加准确、清晰的滚动轴承故障诊断效果。