基于小波变换和盲源分离的滚动轴承耦合故障诊断方法

作者:乔保栋;陈果;曲秀秀 刊名:机械科学与技术 上传者:刘成

【摘要】结合小波变换和盲源分离的优点,提出一种基于小波变换和盲源分离的滚动轴承耦合故障诊断方法。该方法首先对滚动轴承故障信号进行小波分解,得到故障产生的共振频带,并进行包络解调,然后用盲源分离方法对所得到的解调信号进行盲源分离,最后对盲分离后的信号进行频谱变换,从频谱图上可以清晰地观察出滚动轴承的故障特征频率。运用转子-滚动轴承故障实验台,模拟了滚动轴承耦合故障。结果表明:该方法较单一小波分析方法具有更好的降噪能力,更加突出了滚动轴承故障特征。

全文阅读

乔保栋滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件,它的运行状态往往直接影响到整台机器的精度、可靠性及寿命等。因此,对滚动轴承的状态监测与故障诊断具有重要意义[1]。滚动轴承故障信号具有信号微弱、调制性强以及频带范围宽等特征,目前小波变换已被广泛应用于滚动轴承故障诊断[27]。滚动轴承故障信号是一种非线性非平稳信号,数学形态分析是数字信号处理的一种非线性分析方法。文献[8]利用多尺度形态学分析对滚动轴承故障振动信号建立一种不同于时频分析的信号特征描述方法,采用多尺度形态开运算得到故障信号的形态谱,定量反映了信号在不同尺度下的形态变化特征,由形态谱曲线计算形态谱熵,定量描述不同信号的形态特征。Hilbert-Huang变换中的EMD具有自适应性、正交性与完备性及IMF分量的调制特性等突出的特点。目前已经有许多研究者将Hilbert-Huang变换应用于滚动轴承故障诊断[9,10],然而上述方法主要是针对单一故障,当机械设备发生故障时,往往表现为非平稳性并且故障源数是未知的。如何从混合信号中分离出单一的故障信号对于判断滚动轴承故障具有重要意义。在综合目前方法的优点基础上,充分利用小波变换和盲源分离的优点,提出一种结合小波变换和盲源分离的新方法,以期更加准确地提取滚动轴承故障特征,最后利用实际滚动轴承故障数据进行分析和验证。1基于小波变换和盲源分离的滚动轴承耦合故障分离新方法小波变换通过采用不同的尺度因子,即可实现具有不同中心频率和带宽的带通滤波器,可以对振动信号在不同的频率范围内进行分析,因此可从中提取出能够真实反映轴承冲击振动现象的特征。但是小波变换对信号的局部并没有自适应性,在变换中小波基的选择对分析结果影响较大。滚动轴承故障信号往往是通过轴承座或者机体上采集得到的加速度信号,因此振动信号中包含着转子和滚动轴承的状态信息。当滚动轴承存在多种故障时,采集得到的信号往往是多种故障的混合信号,这将使故障诊断变得困难。因此,如何从混合信号中分离出单一的故障信号对于判断滚动轴承系统故障具有重要意义。由于在实验测试时采集到的故障信号及干扰可以认为是相互独立的,因此去噪就转换为对混合信号的独立分量的分离,所得的分量之一就是轴承故障信号或者转子故障信号。盲源分离将多个观测信号按照统计独立的原则通过优化算法分解为若干个独立成分,从而实现信号的增强和分析。盲分离问题的基本思想就是在独立源S和混合矩阵A未知的前提下,寻找一个分离矩阵W,使得y=WTx=WTAS是源信号的一个最佳估计。目前该领域对于分离矩阵W的求解方法多种多样。考虑到算法的自适应处理过程以及收敛速度,本文中采用最经典的“快速ICA算法”FastICA算法。参考相关文献[1114],将基于负熵判据的FastICA算法的实现步骤归纳如下:1)对混合数据进行预处理:去均值、自相关、白化;2)选择初始分离矩阵W;3)迭代更新分离矩阵W(n+1)=E{zG(WT(n)z)}-E{g(WT(n)z)}W(n)(1)4)分离矩阵标准化W(n+1)=W(n+1)W(n+1)(2)5)如果相邻的W变化小于预定的值,则迭代停止;否则返回步骤3)。得到分离矩阵之后,求出源信号的估计为s(t)=Wx(t)=WAs(t)(3)在现有研究的基础上,提出一种结合小波变换、Hilbert变换以及盲源分离法的新技术,先运用小波变换得到所需要的共振频带,再用希尔伯特变换进行包络解调,最后对所得信号进行盲源分离,分析各个分离后信号的频谱图。此方法可以很好地应用于滚动轴承耦合故障特征提取。综合分析方法示意图如图1所示。图1综合分析方法

参考文献

引证文献

问答

我要提问