基于双树复小波包和AR谱的滚动轴承复合故障诊断方法

作者:胥永刚;孟志鹏;陆明;张建宇 刊名:北京工业大学学报 上传者:陈雯

【摘要】针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于双树复小波包和自回归(autoregressive,AR)谱的故障诊断方法.首先,利用双树复小波包变换将复杂的、非平稳的复合故障振动信号分解为若干个不同频带的分量;然后,对包含故障特征的分量进行希尔伯特包络;最后,对包络信号求其AR功率谱,由此实现对复合故障特征信息的分离和故障识别.实验结果表明:该方法可有效地分离轴承复合故障的特征频率,验证了该方法的可行性和有效性.

全文阅读

滚动轴承是机电设备中最常用的关键零部件之一,它的运行状态直接影响到整台机器的性能,而滚动轴承故障是导致机械设备运行过程中产生故障的主要原因之一,因此,对滚动轴承故障诊断技术进行研究具有十分重要的意义.然而,在工程实践中,滚动轴承常常同时发生几种故障,形成复合故障.复合故障的特征分离和故障识别是故障诊断领域中一大难点,亦是一个亟待解决的问题[1].近几年,国内外学者对滚动轴承复合故障的特征分离方法进行了一定研究工作.Purushotham等[2]结合小波分析与隐马尔科夫模型对滚动轴承的多种故障进行诊断.沈仁发等[3]利用MMAS与粗糙集结合的方法对轴承复合故障诊断做了相关研究.崔玲丽等[4]利用第2代小波和EMD解调结合的方法对轴承的复合故障进行了有效分离.何正嘉等[5]利用多小波自适应构造方法对滚动轴承复合故障的诊断进行了研究.以上方法都取得了一定的效果,对比单一故障的诊断方法,复合故障诊断领域还需要进一步研究,提出稳定有效的故障特征分离方法.图1双树复小波包变换的分解和重构过程Fig.1Decompositionandreconstructionprocessusingdual-treecomplexwaveletpackettransform双树复小波包变换[6]不仅保留了双树复小波变换[7-8]的近似平移不变性、良好的方向选择性、完全重构性、有限的数据冗余性和高效的计算效率等优良性质,同时对双树复小波变换中没有细分的高频部分作进一步地分解,从而提高信号整个频段的频率分辨率.目前双树复小波包变换在图像处理[9]、语音处理[10]和故障诊断[11-12]等领域已有相关应用.自回归(auto-regressive,AR)模型是一种时间序列分析方法[13],其自回归参数对状态变化十分有效,能够深刻、集中地表达动态系统的客观规律,因此,采用AR模型的自回归参数作为特征向量来分析系统的状态变化十分有效.但是AR模型只能适用于平稳信号的分析,而滚动轴承的故障振动信号表现为非平稳特征[14],所以直接采用AR模型对滚动轴承的故障振动信号进行分析效果不理想.针对以上问题,本文提出了基于双树复小波包和AR谱的轴承复合故障诊断方法,并将其成功用于滚动轴承复合故障诊断.实验结果表明,该方法可有效地分离和提取滚动轴承复合故障的特征频率.1双树复小波包变换传统的离散小波包变换在分解时,一旦分解层数确定,频带的频率分辨率也就确定,分解的层数越多,频率分辨率越高,同时时间分辨率越低.因为小波包分解是下抽样,也就是每次分解后将信号的采样频率降低一半,时间分辨率也降低一半.下抽样的操作不具有平移不变性,还会引起较大的频率混叠问题,同时对信号的奇异点敏感,难以有效地提取信号的特征频率[11].针对传统小波包变换的缺陷和双树复小波变换的优良特性和不足之处,Bayram等[6]提出了双树复小波包变换(dual-treecomplexwaveletpackettransform,DT-CWPT).双树复小波包变换包含了2个并行离散小波包变换:一个离散小波包变换可以看做实树;另一个小波包变换看做虚树,在信号的分解过程中可形成互补,也能获得近似平移不变性,该变换对双树复小波分解没有细分的高频部分也进行了分解,减少了信息的丢失.图1所示为双树复小波包2层分解和重构过程示意图.其中第1层分解,经过first_1滤波器组的为实树小波包分解,first_1滤波器有2行,第1行f1-0为低通滤波器,第2行f1-1为高通滤波器;经过first_2滤波器组的是虚树小波包分解.对于第2层以上的分解,为了

参考文献

引证文献

问答

我要提问