基于EMD算法的轴承故障诊断研究
2016-01-16刘继
刘 继
(1.长春工业大学 基础科学学院,吉林 长春 130000;2.长春理工大学 光电信息学院,吉林 长春 130000)
基于EMD算法的轴承故障诊断研究
刘继1,2
(1.长春工业大学基础科学学院,吉林长春130000;2.长春理工大学光电信息学院,吉林长春130000)
[摘要]文章将小波包与EMD算法结合进行轴承故障诊断研究。该方法能够突出表现轴承在故障状态下的振动信号产生的数据特征并将其有效地提取出来,克服了快速傅立叶变换的局限性。并采用该方法分别对实验所得的轴承滚动体故障信号进行处理,提取故障特征,取得了良好的效果。此方法可以较好地解决滚动轴承故障诊断问题,更加有效和准确。
[关键词]EMD;小波包;故障诊断
[DOI]10.13939/j.cnki.zgsc.2016.02.063
1引言
机械故障诊断是通过研究故障与征兆(特征向量)之间的关系来判断设备故障的。滚动轴承的运行状态对制造装备的精度、可靠性及使用寿命往往有直接影响,其缺陷一般会导致制造装备产生异常振动和噪声,严重时甚至会直接损坏设备。目前,为保障制造装备的安全高效运行,对制造装备的滚动轴承等旋转部件实施状态监测与故障诊断,已经成为现代化制造企业的企业资产管理和视情维修的一项重要内容。[1]-[3]
随着经济建设的发展和电气化程度的提高,电机设备已被广泛应用于工业生产的各个领域,异步电动机尤其是鼠笼式异步电动机以其结构简单、制造成本低廉、可靠性高、使用寿命长、维修方便等特点广泛应用于工农业生产中的风机、泵类、传动系统等设备的驱动上,在生产、生活等领域中占有极其重要的地位。电机的正常工作对保证生产制造过程中的安全、高效、敏捷、优质及低耗运行意义非常重大。电机的故障和停止运行,不仅会损坏电机本身,而且会影响整个生产系统的正常工作,甚至会危及人身安全,造成巨大的经济损失和恶劣的社会影响,因此对电机故障的诊断要求十分迫切。目前,对生产设备的维护主要是进行定期维护和故障后维修,这种传统的维修模式容易造成维修过量和维修不足,从而导致维修成本增加,降低设备使用寿命,严重时将导致发生严重的停机或损坏事故,因此需要对设备进行有效的在线监测和故障诊断。通过对电机常见故障的诊断和分析,可以及早发现故障和预防故障的进一步恶化,减少突发事故造成的停产损失,防止对人员和设备安全的威胁,并为实现状态检修创造条件。为了将因电动机故障造成的损失降低到最小的程度,人们迫切希望能对电动机的早期故障进行检测,这对于人们及早发现故障,预防故障的进一步恶化,及时进行故障定位、决策和维修,都是十分重要的。[4]-[5]
2EMD方法
经验模式分解是美国学者Norden E.Huang提出的一种自适应的信号分析方法。基于EMD的时频分析方法的最大特色是通过信号的EMD分解,使非平稳信号平稳化,从而使瞬时频率有意义,更加直观。
IMF函数的获得方法如下:
(1)找出信号x(t)的局部极值点。
(2)把所有的局部极大值用三次样条光滑地连接起来,得到上包络线e+(t),同样地,可以得到下包络线e-(t),可由式(1)计算局部均值m(t):
m(t)=(e+(t)+e-(t))/2
(1)
(3)求出差值函数Zi(t):
Zi(t)=x(t)-m(t)
(2)
检查 Zi(t)是否满足IMF条件,若不是,把Zi(t)当作新的待处理量,重复做以上步骤,如果满足条件,那么Zi(t)就是第一个IMF,另记作y1(t)。
(4)将y1(t)从x(t)中分离出来,即得到一个去掉高频分量的差值信号x1(t),即有x1(t)=x2(t)-y1(t),将x1(t)视为新的x(t),同样地, 可以得到x2(t)和y2(t),重复整个过程,至此,信号x(t)已被分解成n项基本模式分量yi(t) 和一个余项rn(t),即
(3)
因此,EMD方法可以把任何一个信号x(t)分解成k 个基本模态分量和一个冗余量之和,y1(t),y2(t), …, yk(t)分别包含了信号从高到低不同频率段的成分,每一个频率段所包含的频率成分都是不同的,而且不是等带宽的,随信号本身的变化而变化。因此EMD方法是一个自适应的信号分解方法。
基本模式分量的两个限定条件只是一种理论上的要求,在实际的筛选过程中,很难保证信号的局部均值绝对为零。如果完全按照上述两个限定条件判断分离出的分量是否为基本模式分量,很可能需要过多的重复筛选,从而导致基本模式分量变成具有恒定幅度的纯粹的频率调制信号。为了保证基本模式分量保存足够的反映物理实际的幅度与频率调制,我们必须确定一个筛选过程的停止准则。筛选过程的停止准则可以通过限制两个连续的处理结果之间的标准差Sd的大小来实现,一般取0.2~0.3时筛选结束。
3基于EMD 的滚动轴承故障诊断
若将小波包的消噪作用与EMD的局部故障(下转P69)