基于小波包变换的滚动轴承故障诊断

作者:王冬云;张文志 刊名:中国机械工程 上传者:李明强

【摘要】针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。

全文阅读

0引言滚动轴承在其运转过程中必然会产生振动,当轴承元件表面出现局部损伤类故障时,损伤点与轴承其他元件表面发生接触都会产生冲击作用,这样就会使得振动加剧,同时导致轴承系统的瞬时高频共振。故障诊断的首要任务就是要将共振信号中的故障特征提取出来[1]。小波包变换技术通过对振动信号进行小波包分解,可以得到每一频带内振动信号的变化规律,然后可以从中提取出能够真实反映轴承冲击振动现象的特征频带信号。近年来,小波包变换技术被广泛应用于振动信号故障诊断中。Wu等[2]从振动信号中提取小波包节点能量并将其作为内燃机故障诊断的特征参数,张军等[3]应用该方法对滚动轴承故障模式进行了有效识别;万书亭等[4]对滚动轴承的振动信号进行了小波包分解和重构,对重构后的信号进行Hilbert变换得到了包络信号,有效地提取出了能够表现故障特征的信息;Nikolaou等[5]则结合能量算法直接对重构信号进行FFT变换,有效地诊断出了轴承元件的故障缺陷。由于轴承出现故障会产生明显的冲击信号,所以导致信号的能量会集中在某一频段内,且该频段内包含着最丰富的低频故障信息,将此处共振信号中的故障特征提取出来成为故障诊断的关键。本文在现有研究的基础上,提出将小波包能量法与小波包络解调法相结合的滚动轴承故障诊断方法;并针对目前故障特征提取无法自动完成的问题,提出了滚动轴承故障特征参数自动提取方法。该小波包能量法与小波包络解调法相结合的故障诊断方法应用步骤如下:根据轴承结构尺寸计算轴承故障的特征频率;选择合适的小波函数和分解级数,对原始信号进行小波包分解和单支重构得到各节点的小波包系数;计算小波包能量,选取能量集中的频段进行Hilbert变换,获得信号包络谱;应用特征参数自动提取方法,计算各特征频率对应的包络谱值,并依此进行故障诊断。1小波包变换技术在滚动轴承故障分析中的应用1.1滚动轴承实验数据本文用到的滚动轴承实验数据来自美国CaseWesternReserveUniversity电气工程实验室,实验轴承型号为SKF6205,采样频率为12kHz,采样点数为8192,实验转速为1730r/min。故障轴承在受载运转过程中,损伤点同与之相互作用的部件表面接触时会产生一系列的冲击脉冲力,其频率可以根据轴承的几何尺寸以及轴承的旋转频率求出,该频率称为轴承部件的故障特征频率[6]。通过计算可以得到滚动轴承的各部件的特征频率如表1所示。表1滚动轴承各部件特征频率Hz旋转频率保持架旋转频率内圈特征频率外圈特征频率滚动体特征频率28.711.4155.4102.9135.5滚动轴承正常工况与内圈故障信号时域波形如图1所示。为突出时域信号特征只截取其中4096个采样点。从图1可以看出,滚动轴承出现故障时,产生了幅值很大的振动信号,并且可以看到信号中存在着明显的等间隔冲击成分,但无法直接根据时域信号判断出故障产生的原因和部位。(a)正常工况时域波形(b)内圈故障时域波形图1滚动轴承不同工况的信号时域波形1.2小波包分解与节点能量分析将原始信号进行3层小波包分解,小波函数选择db10[7]。第3层中各节点重构信号的频带范围分别为:节点(3,0)[0,750]Hz、节点(3,1)(750,1500]Hz、节点(3,2)(2250,3000]Hz、节点(3,3)(1500,2250]Hz、节点(3,4)(5250,6000]Hz、节点(3,5)(4500,5250]Hz、节点(3,6)(3000,3750]Hz、节点(3,7)(3750,4500]Hz。图2所示为轴承振动信号进行小波包分解、重构、能量计算、归一化后的

参考文献

引证文献

问答

我要提问