基于多元经验模态分解的旋转机械早期故障诊断方法

但惠文

（湖北新产业技师学院 咸宁职教（集团）学校，湖北 咸宁 437100）

在科技快速发展的当下，现代工业的机械自动化程度有了明显的提升，而在实际生产的过程中也会使用很多旋转机械设备，这一类型的设备主要是应用在现代工业生产、交通运输、机械制造等多个领域，对于提高生产加工质量而言具有重要意义。然而受到多方面因素的影响，旋转机械在实际应用的过程中往往会出现一些故障问题，不仅严重影响到生产质量与生产效率，同时也会对生产企业的经营成本、正常运营造成一定影响。因此，生产企业必须要重视对旋转机械故障问题进行定期检修与维护，只有这样才可以在最大程度上保证旋转机械的正常运行，减少故障问题所带来的经济损失。

1 多元经验模态分解方法概述

多元经验模态分解方法是由经验模态分解法发展而来的，而经验模态分解法最初是在1998年被提出的，是一种信号处理方法，1999年又做出了进一步完善与改进。这种方法一经出现便受到了信号处理领域的关注，然而受到技术方面因素的影响，这种方法在实际应用的过程中仍然会存在一些问题，因此如何基于EMD理论构建出非线性非稳定信号处理系统已经成为这一领域在今后研究的一项重点内容。若是从本质上进行分析，经验模态分解方法指的就是信号进行平稳化处理，其结果主要是根据信号中不同尺度的波动或者趋势经过逐层分解得来的，进而产生了一系列不同尺度的数字序列，而且每一个序列都可以被称之为本征模函数。在旋转机械故障诊断中，这种方法已经得到广泛应用。然而随着时代的进一步发展，旋转机械的种类不断增加，功能、加工工艺也日益复杂，这也就在一定程度上增加了故障诊断的难度，传统经验模态分解方法也已经无法完全适用于旋转机械故障诊断，尤其是早期阶段，故障体现并不是十分明显，因此极其容易出现诊断不准确的情况。多元经验模态分解方法的出现，可以在一定程度上有效提高旋转机械早期故障诊断的准确性，首先将多个振动传感器合理布置在轴承座的多个关键位置，借此实现对振动信息的同步采集，然后再利用多元经验模态分解在同一状态下自适应分解多通道振动信号，确定多元IMF分量；最后依据峭度准则从中选取包含故障主要信息的IMF分量进行信号重构，提取故障特征。通过采取这种方式方法来实现对旋转机械故障信息的采集，对于旋转机械故障问题进行有效判断。

2 多元经验模态分解在旋转机械早期故障诊断中的应用

多元经验模态分解方法的应用可以实现对不同通道信号的同步分析，使得各个通道内所分解出的IMF个数相同，按照一定的频率尺度进行对此，这样就可以形成一个多元的IMF。虽然这种方法的使用可以分解不同振动模式下的IMF分量，具有一定的可靠性，但是在这一过程中如何实现避免截取信息受到噪声的影响，已经成为多元经验模态分解方法实践过程中的一项关键内容。这需要技术人员在实际应用这一方式方法的过程中，对IMF的分量进行科学选取，同时还要进行做好滤波处理，只有这样才可以提取到有效的故障特征信息。为了达到这一目的，技术人员需要对IMF分量进行峭度值计算，选择相关系数较大的IMF分量来完成信号重构，最后滤除噪声获取调制信号，提取故障特征，并根据故障特征来实现对旋转机械早期故障的有效判断。

3 基于多元经验模态分解的旋转机械早期故障诊断方法

目前旋转机械早期故障一般可以分为两种，即轮断齿故障、轴承内圈故障，这两种故障通常会出现在旋转机械早期故障中，同样具有较大的隐蔽性，因此难以被有效甄别。通过采用多元经验模态分解法，就可以在最大程度上实现对故障信号的有效甄别，使得故障特征可以更加明显，为后续的各项检修与维护工作提供有利参考。

（1）轮断齿故障检测。轮断齿故障是旋转机械在实际运行过程中较常出现的一种故障，这一故障在早期的故障特征表现并不是十分明显，而采用传统的经验模态分解法，通常会无法分辨轮断齿故障的特征，而且会在很大程度上受到噪音方面的干扰，因此无法实现对轮断齿故障的有效识别，在一定程度上为旋转齿轮的正常使用、生产以及企业经营带来诸多不利影响。多元经验模态分解法的应用，则是可以实现对这一故障的有效检测，通过科学截取IMF分量，合理滤波的方式来弱化噪音，使得故障特征识别更为有效。以某旋转机械故障早期诊断为例，该型号旋转机械的频率为25600Hz，轴承转速为314r/min，在利用经验模态分解法进行检测的过程中，技术人员首先是需要对分解的总次数进行确认，同时将需要在检测过程中添加的白噪声幅值系数k设置为0.02，再利用传感对信号进行分解，分解的结果如图1所示，技术人员需要根据与相关系数以及峭度值来确认重构项，根据图中所显示的相关信息，可以对前两项的IMF的分量进行重构，然而结果中却并无法将故障特征显现出来，无法实现对故障的有效判断（如图2所示）。

图1

图2

在采用多元经验模态分解法的过程中，技术人员必须要先对齿轮点蚀信号进行降噪处理，在处理技术以后还需要实现对信号关联数据的分析与计算，若是相关系数超过了50%，则需要进行剔除，然后才可以开始接下来的检测工作。根据上述操作，在本次旋转机械检测中，主要是针对4通道信号来进行多元经验模态分解，并且也得到了一系列的多元IMF分量，然后需要计算出这一系列IMF分量的峭度值和相关系数，在完成这一环节操作以后，相关技术人员必须要根据数据需求选择合适的IMF分量作为重构信号，最终得到故障的整个分析结果，如图3所示。根据图3中的相关信息，可以得知这一旋转机械的故障频率、倍频成分都相对较高，这也就说明了旋转机械在实际运行的过程中存在轮断齿故障问题，而且在图中噪声的成分相对较少，而故障特征表现的却相对明显，这也就充分说明了多元经验模态分解法在旋转机械故障早期问题检测中的有效性，对于提高检测准确性具有重要作用。

图3

（2）轴承内圈故障检测。轴承内圈在旋转机械运行中也是不可缺少的重要组成部分，因此其检测是否准确也同样会影响到旋转机械的运行。然而在实际检测的过程中，由于轴承内圈故障信号具有路径复杂、振动衰减明显且较为容易受到噪音的干扰，呈现出不同的状态。因此，轴承内圈故障检测对于检测技术的要求相对较高，若是无法实现对噪音干扰的有效控制，就无法针对轴承内圈进行有效检测。通过利用多元经验模态分解法来进行检测，可以将各种谐波的频率、频率信号进行放大，使故障特征更加明显，使得技术人员可以获取更准确的检测数据与资料，进而做出正确判断，并结合具体情况采取有效措施，为旋转机械的安全、稳定运行奠定有利基础。

4 结语

综上所述，多元经验模态分解方法在实际应用的过程中主要是从经验莫泰分解方法拓展而来的，这种方法可以更加精确的对旋转机械进行故障诊断，使得旋转机械存在的早期故障可以被有效甄别，并及时采取有效措施，避免旋转机械问题而引起生产停工。目前，基于多元经验模态分解方法的旋转机械早期故障主要有轮断齿故障、轴承内圈故障这两种，因此在今后开展各项故障诊断的过程中，技术人员必须要严格按照各个程序来完成检测，对各项系数、峭度值进行精确计算，只有这样才可以在最大程度上保证故障诊断的准确性，避免出现较大程度的机械故障，为生产企业的旋转机械故障检修与维护工作提供有利的数据参考依据。