基于EEMD和快速谱峭度的滚动轴承故障诊断研究*

曹玲玲,李 晶,彭 镇,韩文冬,张银飞

(西安工程大学 机电工程学院,陕西 西安 710048)

0 引 言

轴承是机械系统中的关键零部件,其健康程度影响着机械设备的工作状态。旋转机械的核心部件就是滚动轴承。在滚动轴承使用过程中多种因素会使其受到损伤,一旦出现严重故障可能会导致机器停机,甚至造成巨大的经济损失。

据统计,在旋转机械的失效案例中有45%～55%是由于滚动轴承失效导致的[1]。因此,研究滚动轴承的信号采集分解和故障诊断具有重要的现实意义。

经验模态分解(EMD)是HUANG N E等人[2]提出的无需先于经验的知识就能够自适应时频分解非线性、非平稳信号的方法。AN Xue-li等人[3]结合EMD和希尔伯特变换方法,直驱式风电机组故障进行了诊断。田晶等人[4]针对滚动轴承故障信号非平稳、非线性的特点,提出了基于EEMD和空域相关降噪相结合的故障诊断方法。胡爱军等人[5]将EEMD与峭度准则的包络解调方法相结合,提取了滚动轴承的故障特征信息,实现了对故障轴承的诊断。

目前,学者在故障诊断中采用谱峭度的方法已经做了大量的研究。王梦人[6]利用EEMD与谱峭度结合的方法,对旋转机械进行了故障诊断。蒋超等人[7]针对总体平均经验模式分解获取了的每一个IMF分量,求取了快速谱峭度图,筛选了最大峭度所在频带以抑制干扰,并提取出了其故障信息。

在上述研究中,通过EMD方法对振动信号进行分解会产生模态混合等现象,而EEMD则是通过添加白噪声获得综合信号进行IMF分解,但对于微弱不明显的早期故障而言,其故障特征不能很好地表现。

因此,本文提出采用EEMD与快速谱峭度图相结合的方法,通过EEMD对采集信号进行分解,得出多个IMF分量,再利用峭度准则选取关键的IMF分量进行信号重构,通过带通滤波对滤波信号进行求包络谱,将正常状态下的包络谱与失效下的包络谱进行比较分析,对滚动轴承的故障频率进行诊断。

1 EMD及EEMD算法

1.1 EMD算法

EMD分解过程在很多文献中都有详细介绍,可以参考文献[8],其分解式为:

(1)

式中:bi(t)—第i阶的IMF分量;ri(t)—残差;n—IMF分量的阶数。

1.2 EEMD算法

EEMD减轻了EMD所存在的问题,使得不同时间尺度的信号自动分离到和其相适应的参考尺度[9],在原始的信号中添加相应的白噪声来消除EMD的模态混叠现象[10]。

EEMD重构信号与原始信号X(t)之间的误差满足:

(2)

式中：N—EEMD的聚类次数,N=100;ω—添加白噪声的标准差,ω=0.2。

2 滚动轴承故障诊断方法

2.1 峭度准则

峭度对信号中存在的瞬时冲击特征非常敏感,因此常应用于滚动轴承的故障诊断中。峭度值K的定义为:

(3)

式中:μ—信号x(t)的均值;σ—信号x(t)的标准差;E—期望值。

根据EEMD方法判断,当IMF分量峭度值K大于3时,说明该IMF分量中含有较多的冲击成分,即当峭度值K越大时,该振动信号中的故障冲击成分就越明显[11]。

2.2 快速谱峭度

目前,谱峭度法已被广泛用于旋转机械的故障诊断[12]。谱峭度方法有效地避开了噪声干扰在某些频段上峭度检测的不确定性,从而得到故障特征信息[13]。

假设实测振动信号Y(t)中含有平稳噪声,则Y(t)的谱峭度KY(f)为:

(4)

式中:KX(f)—原始信号的谱峭度;ρ(f)—信噪比。

2.3 EEMD和快速谱峭度的算法流程

笔者将原始信号通过EEMD分解成多个IMF分量,根据峭度准则计算出各个IMF分量的峭度值,选取峭度值大于3的IMF分量进行信号重构,并进行快速谱峭度图;从各个快速谱峭度图中找出颜色最深的色块,即谱峭度最大值区域,确定带通滤波频率范围,并对其进行包络线、包络谱及故障诊断分析。

具体算法流程如图1所示。

图1 EEMD和快速谱峭度的算法流程图

3 实验及结果分析

3.1 实验描述

为了验证所提方法的可行性,本文选择西安交通大学机械工程学院XJTU-SY滚动轴承试验数据进行分析[14]。该实验平台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载系统和测试轴承等组成,如图2所示。

图2 轴承加速寿命实验台

试验平台可调节的工况主要包括径向力和转速;测试轴承型号为LDK UER204。

试验共设计了3类工况,如表1所示。

表1 轴承加速寿命试验工况

每类工况下有5个轴承,其采样频率为25.6 kHz,单个波形的采样时长为1.28 s。

轴承具体参数如表2所示。

表2 LDK UER204轴承参数

所测试轴承典型失效类型主要有保持架断裂、内圈磨损、外圈断裂、外圈滚道磨损等,如图3所示。

图3 典型失效类型的轴承照片

3.2 数据分析

该实验所测的数据分为3种工况,每类工况下分别测了5个轴承的全寿命周期的水平和垂直振动数据。

由于滚动轴承不同失效类型数据分析的过程相同,本文选用XJTU-SY滚动轴承试验失效位置为外圈的振动数据进行具体分析,分别选取其正常时的轴承振动信号和外圈失效时的轴承振动信号进行时域和频域分析。

以第1类工况的第1个轴承的振动数据为例,滚动轴承在实验结束时出现外圈断裂,因为其载荷施加在水平方向,故该方向的振动信号能包含更多的失效信息,故笔者分别选取其水平方向的一段正常轴承振动信号和失效时的轴承振动信号,分别做出相应的时域图和频谱图。其中,正常轴承的时域图和频谱图如图4所示。

图4 正常轴承的时域图和频谱图

图5 失效轴承的时域图频谱图

对比图(4,5)可以看出:失效轴承振动信号的幅值比正常轴承振动信号的幅值大许多,而且在2 000 Hz以下的频率中失效轴承的幅值出现较多的高幅值,所以可以判断为轴承出现故障。

但以上仅能看出轴承是否发生故障,并不能准确地判断其波形的不同和发生故障时准确的频率,故需要作进一步分析和判断。

3.3 诊断结果分析

经过3.1节判断后,笔者继续对正常轴承振动信号和失效轴承振动信号进行EEMD分解,分别得到14个IMF分量。其中,正常轴承振动信号EEMD分解图如图6所示。

图6 正常轴承振动信号EEMD分解图

失效轴承振动信号EEMD分解图如图7所示。

图7 失效轴承振动信号EEMD分解图

笔者分别对正常轴承和失效轴承振动信号的各个IMF分量求峭度,如表(3,4)所示。

表3 正常轴承信号EEMD分解后各IMF分量峭度值

表4 失效轴承信号EEMD分解后各IMF分量峭度值

根据峭度准则,将表(3,4)中的各个IMF分量峭度值大于3的IMF分量选择出来,即正常轴承中IMF分量大于3的有2、4、5、9,并将这4个IMF分量进行信号重构,对重构信号X(t)进行快速谱峭度计算,得出二维图如图8所示。

图8 正常轴承重构信号后快速谱峭度图

失效轴承中IMF分量大于3的有1、2、3、4、6、9、11,将这7个IMF分量重构信号,并对重构信号进行快速谱峭度计算,得到二维图如图9所示。

图9 失效轴承重构信号后快速谱峭度图

由图(8,9)可知:正常轴承的中心频率为8 kHz,带宽为3.2 kHz。

笔者以此为依据,对重构信号进行滤波,即选择频率为6 400 Hz～9 600 Hz的信号,得到滤波后的信号及其上包络线,如图10所示。

图10 正常轴承重构信号后滤波和包络线

失效轴承的中心频率为11.2 kHz,带宽为3.2 kHz。以此为依据,笔者对重构信号进行滤波,即选择频率为9 600 Hz～12 800 Hz的信号,得到滤波后的信号及其上包络线,如图11所示。

图11 失效轴承重构信号后滤波和包络线

从图(10,11)可以看出:经过快速谱峭度和带通滤波处理后的信号能很好地将失效轴承的故障特征表现出来。

笔者分别对正常轴承和失效轴承的重构信号进行了包络分析,得到了相应的包络谱,再分别对正常轴承和失效轴承的重构信号进行了包络分析,并选择在1 000 Hz左右易于观察的正常轴承的包络谱和失效轴承的包络谱进行了对比。其中,正常轴承重构信号包络谱如图12所示。

图12 正常轴承重构信号包络谱

失效轴承重构信号包络谱如图13所示。

图13 失效轴承重构信号包络谱

通过上述分析可知:轴承的失效频率一般在1 000 Hz以下。笔者通过比较正常轴承和失效轴承的包络谱可以发现,失效轴承在108 Hz、216 Hz、325 Hz、433 Hz出现异常波峰;

所提方法诊断出的频率与张继旺等人[15]提出的VMD-CNN算法所得频率值基本相同,由此可证明该方法的有效性和准确性。

因此,结合以上的分析,可以得出滚动轴承外圈故障时的频率在108 Hz。

4 结束语

本研究首先采用EEMD方法得出各阶IMF的分量,计算出各个IMF分量的峭度值;然后，选取峭度值大于3的IMF分量进行重构信号,将重构信号进行快速谱峭度计算得到对应的二维图,由此可得相应的中心频率和带宽,并进行带通滤波处理,得出相应的包络谱,并进行分析,判断轴承失效时的频率;最后，通过实例分析验证了该方法的准确性和有效性。研究结果表明:

(1)采用EEMD方法分解振动信号解决了EMD方法出现的模态混合现象及末端效应,并且其分解效果较好;

(2)采用EEMD方法与快速谱峭度结合,并经过带通滤波处理,对振动的降噪效果明显,使故障特征更加突出;

(3)以西安交通大学XJTU-SY滚动轴承第1类工况的第1个轴承为例,将此正常振动数据和失效振动数据对所提方法进行对比分析,结果显示其故障时的振动频率为108 Hz,故所提的EEMD与快速谱峭度方法能够实现滚动轴承的故障诊断。

在未来的研究中,可以考虑对振动信号的降噪与解调方面做进一步优化和完善。