基于小波包分解和EMD的滚动轴承故障诊断方法研究

作者:文妍;谭继文 刊名:煤矿机械 上传者:张松波

【摘要】提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个IMF分量的能量值并归一化后作为轴承的故障特征量输入神经网络进行诊断。通过实验证明2种方法的结合具有良好的局部分析能力及自适应分解的特点,可以提取更加有效的特征值,因此在进行诊断时,具有更快的速度与更高的准确率。

全文阅读

0引言小波包分解技术是小波分解的推广,在对信号解。小波包分解的实质是对被测信号的多带通滤波处理。与小波分解相比,具有良好的局部分析能力,更适合于含有大量细节信息的非平稳机械振动信号的分解与表示。EMD方法是将信号分解成一系列的固有模态函数IMF分量,各IMF分量包含了信号从高到低的不同频率段的成分,每一频率段所包含的频率成分都不同,且随信号的变化而变化,具有自适应分解的特点,适合分析非线性、非平稳信号。本文将小波包分解与EMD结合起来,用于数控机床典型零部件的故障诊断。首先采用小波包分解对原始的故障信号进行降噪处理,从而提高后续EMD分解的精度。再分别对小波包分解后的重构信号进行EMD分解,计算每个IMF分量的能量值,作为特征向量进行网络训练与测试。这样对于小波包分解后的高频特定频段内再进行EMD分解,获得IMF分量具有较高的故障敏感性,提取每一个IMF的能量值作为特征向量,使得诊断的准确性得以提高。1滚动轴承典型故障以数控机床滚动轴承为诊断对象,按其故障发生部位的不同,分为外圈故障、内圈故障、保持架故障和滚珠故障四大类。为了全面、完整地监测故障信息,设置了3个测点,如图1所示。测点1、2、3分别安装加速度传感器,分别监测滚动轴承X向、Y向、Z向的振动信号。图1传感器分布图1.测点12.测点23.测点34.滚珠丝杠5.轴承座2小波包分解和EMD分解图2为测得的轴承原始信号时域波形,单纯的时域波形杂乱无章,不能反映出有效的故障信息,因此对信号进行必要的处理措施。首先将原始信号进行小波包分解。因为故障信息往往隐含在高频信号中,所以对小波分解第1层的2个节点进行重构,见图3;然后分别对重构信号进行EMD分解,频率从高到低分解为8个IMF,图4和图5分别为2个重构节点的图2原始信号时域波形图3重构节点(1,0)和(1,1)波形图4重构节点(1,0)EMD分解图5重构节点(1,1)EMD分解3故障信号特征提取由于传感器安装位置的影响以及传动过程中受到其他零件振动信号的调制作用,实验中利用振动信号Hilbert边际谱分析,很难识别齿轮的特征频率及高阶谐波的边频带成分。因此采用能量特征提取法,即将振动信号先分解到某一频段内,然后提取包含故障特征频率的频段的能量作为特征值。这种方法避免了精确的特征频率计算。从图4和图5中可以看出,通过EMD分解,2个小波重构信号均由高频至低频被分解为8个频段,计算每一个IMF分量的能量值,进行归一化后,构成了由16个能量值组成的特征向量,作为神经网络的输入,表1为轴承无故障正常状态下的特征向量。12345幅值/V时间/s原始信号时域波形00.511.522.5350-510-4时间/s幅值/V10IMF2-420-2012310IMF4-550-50123012310-550-5012310-550-5IMF6IMF5IMF7012310-520-2IMF3012310-420-2IMF1012310-450-5IMF8012310-510-1时间/s幅值/VIMF2012310-420-2IMF4012310-520-2IMF6012310-520-2IMF8012310-510-1IMF7012310-510-1IMF5012310-520-2IMF3012310-550-5IMF1012310-450-5时间/s幅值/V(a)重构节点(1,0)(b)重构节点(1,1)50-510-450-510-400.511.522.5300.511.522.53时间/s时间/s幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅值/V幅

参考文献

引证文献

问答

我要提问