基于EWT和包络谱分析的轴承故障诊断研究

刘自然　陈仁权　颜丙生　黄金来

摘要：针对轴承故障早期信号非常微弱难以提取的特点，提出一种经验小波变换（EWT）和包络谱分析相结合的故障诊断方法。该方法应用EWT对信号进行自适应的分解处理，通过选取表征轴承故障的模态分量进行包络谱分析，对轴承故障进行判断，并在LabVIEW开发环境下实现，有效拓宽其适用环境。其中EWT是通过结合小波变换和经验模态分解各自的优点，建立自适应的小波滤波器来提取信号的模态函数。通过仿真信号和轴承故障实验信号的研究结果表明，LabVIEW开发环境下的EWT能够有效地对信号进行自适应分解，在与包络谱分析相结合后能够更为有效地提取并识别轴承故障类型。

关键词：故障诊断；经验小波变换；包络谱分析；LabVIEW；轴承

文献标志码：A

文章编号：1674-5124（2018）02-0098-05

0引言

滚动轴承故障早期，故障信号非常微弱，在获取振动信号时会不可避免地包含大量低频噪声，严重影响包络谱分析的结果和判断；因此，需在进行包络谱分析前先对振动信号进行高通滤波以消除低频噪声的干扰。但高频滤波的带宽往往难以自适应选择，可以利用经验小波变换（EWT）的自适应，将信号从高频到低频进行分解，然后对分解的分量进行包络谱分析。

EWT是2013年Gilles主要针对经验模态分解（EMD）没有完备的理论基础、模态混叠、端点效应等问题提出的。该方法以小波变换为基础结合EMD分解的自适应性，对信号的傅里叶频谱进行分割，构造小波滤波器组，从而提取固有模态。近年来，国内外学者对EWT进行了深入研究，M.Kedadouche等将EWT与EMD和EEMD的分解进行了详细的对比：李志农等将经验小波变换应用到机械故障诊断中，验证了该方法能够用于机械设备诊断；向玲等将EWT方法和EMD方法在转子系统实验故障信号中进行了性能对比，验证了EWT在实际应用中的有效性：Zhang XL等将EWT应用到图像处理中提高了图像检测的品质：M.Kedadouche等提出了OMA-EWT，将EWT和OMA（operationalmodal analysis）相結合应用于轴承故障诊断，提高了故障诊断的检测精度；Jiang等将原信号进行EWT分解后产生的各模态输入到混沌振荡器中进行进一步的提取信息，增加了信号处理的准确性。本文简要介绍了EWT的基本理论，在LabVIEW开发环境中实现该算法，并通过仿真信号来验证其有效性，同时将EWT与包络谱分析相结合通过轴承故障模拟试验台来检验其能否有效诊断轴承的故障类型。

1经验小波变换

经验小波变换实质是将原信号进行傅里叶变换并对得到的傅里叶频谱进行分割划分，然后建立一组适合每个划分后的傅里叶频谱的小波滤波器组并对其进行处理。

为了完成对信号的经验小波分解，对Gilles所提出的频带分割方法进行了适当的改进，将在角频率上对信号频谱进行分割改为在频率上分割。经验小波变换是一个尺度函数和Ⅳ个小波函数分别对输入信号进行自适应滤波的分解结果，对此仿真信号可取N=2。如图6所示为仿真信号的频谱和每个滤波器所检测的边界，经EWT分解后得到的信号如图7所示，可以看出用EWT分解后得到的3个分量从上到下分别对应仿真信号的正弦信号、调幅信号、调幅调频分量。由此可以验证用LabVIEW编写的EWT程序能够准确地分解信号。

5基于EWT的轴承故障包络谱分析

为了验证方法的正确性，在SpectraQuest公司最近推出的轴承故障模拟试验台（MFS）上进行实验。图8为轴承故障模拟试验台，将用于实验的内圈故障轴承安装在模拟试验台的内侧。轴承型号为MBER-10K，其节圆直径33.5mm，滚珠直径7.94mm，个数8，接触角0°，信号采集时电动机的实际转速为1788r/min，采样频率10240Hz，采样时间10s。经过计算可知轴承内圈的故障特征频率为147.452hz。

图9是内圈故障滚动轴承的时域波形和频谱图，由于在采集信号的过程中存在大量噪声，使得轴承故障引起的频率特征被淹没，从图中很难判断出轴承的故障类型。

首先用LabVIEW编写的EWT对轴承的振动信号进行分解，其分解后的结果和各模态信号的傅里叶变换如图10所示。

从图中可以看出c2分量的冲击信号相对比较明显，且所含的高频噪声信号较少，对其进行包络谱分析，其包络谱如图11所示。

从图中可以很明显的找到特征频率147.7hz以及其倍频295.4hz，441.6hz和它们周围的边频所对应的谱线，这和轴承内圈故障特征频率147.452hz相对应，充分说明滚动轴承内圈发生故障。结果表明：用LabVIEW编写的经验小波变换和包络谱分析相结合的方法能够有效地从噪声环境中提取轴承故障特征信号，正确识别出轴承故障类型。

6结束语

本文以LabVIEW为开发环境的经验小波变换，通过仿真信号验证了其有效性，拓宽了EWT分析算法的适用环境，具有很好的应用价值。并在此环境下结合EWT和包络谱分析各自的信号处理优势，将其应用到轴承的故障诊断中，实验结果表明，该方法能够有效提取轴承振动特性，准确判断轴承的故障类型。