基于改进VMD算法的电机轴承异音识别与定位

杨 磊，王镜淇，李 亮，高 帆，于 轩，唐国运

(1.江苏核电有限公司，连云港 222000；2.西安交通大学 机械工程学院，西安 710049)

电机组装过程中产生的磕碰和异物进入都会使轴承发生微弱损伤，如果无法及时识别异常轴承，将极大降低电机的使用寿命。当电机出现故障时，其会产生明显异音，如某核电冷却水泵出现电机轴承异响的问题，通过现场拆解发现轴承游隙过大、安装过程中异物进入轴承内部、轴承室储脂空间过小是产生异音的原因[1]；某公司凝水泵电机大修时更换后的轴承出现异音，停机检修发现轴承内滚道存在麻坑，电机运行时，滚珠与损伤的滑道相互摩擦而发出异音[2]。目前国内企业主要通过人工听音的方式对电机故障进行识别，并利用接触式传感器采集电机运行时的振动数据以及声音数据。虽然上述方法一定程度上可以实现故障定位，但其缺点在于人耳评判电机故障的主观性较强，无法设定统一标准，且现场工人需反复听音才能识别，效率较低、时间成本高。因此，通过传感技术建立客观指标以准确识别电机异音并对其进行定位和诊断显得十分必要。

当现场人员反映轴承有异音时，一般采用振动传感器采集信号并进行分析，常用方法为寻找原始信号共振带，并进行包络解调，找出异音对应频率。如果异音频率对应轴承故障频率及其倍频，则可判定为轴承故障[3]。相比振动信号，采用声信号检测的优势在于声传感器布置方便，可同时监测多个对象。但由于声信号受背景噪声影响较大，故提取声信号特征时难度更高[4-5]。相比于经验模态分解(EMD)方法，变分模态分解(VMD)方法不仅可以将信号分解若干个本征模式分量(IMF)，又克服了EMD存在的模态混叠和过包络等缺点[6]；但VMD分解需要人为确定两个关键参数，即模态分解个数和惩罚因子。有学者对参数的自适应选择进行了研究，WANG等[7]采用粒子群算法自适应选择参数，虽然可以获得合适的参数值，但需要大量的迭代试验，降低了计算效率。

基于此，提出基于改进VMD算法的电机轴承异音识别与定位方法。首先通过改进VMD算法对电机声音信号进行分解得到多个IMF，根据峭度最大化准则选择最佳模式分量，进而提取表征电机轴承异音的特征指标；然后，利用声音在空气中的传播特性，提出通过多点测量的方式进行异音定位的方案；最后，通过现场数据分析和相关模拟试验验证了所提出方案的有效性。

1 VMD算法改进和异音定位原理

1.1 VMD算法

VMD算法作为一种非递归信号分解方法，其本质是将经典维纳滤波器推广到多个自适应波段对原始信号进行分解处理。VMD算法是将信号分解成指定数量的有限带宽模式分量，并最小化每个模式分量的估计带宽之和。对于约束变分问题模型中的变分问题，一般通过引入惩罚因子和拉格朗日乘法算子，将其变为无约束问题，其扩展后的拉格朗日表达式为[8]

L({uk},{ωk},λ)=

(1)

式中：K为模式分量数;uk、ωk分别为信号模式分量及其中心频率;f为输入信号；α为惩罚因子;λ为拉格朗日乘法算子；δ(t)为脉冲函数;j=sqrt(-1)。

其中，模态分量数K和惩罚因子α对分解结果影响很大，VMD中模式分量数和惩罚因子过多或者过少都将影响有用信息特征的识别精度。因此，在进行VMD分解之前一般需要人为确定模式分量和惩罚因子，上述方式不确定性大，客观性较强，且需较高的相关经验。文章提出一种可以根据每个模式分量的频率特性确定最佳惩罚因子α和模态分量数K的方法，实现了上述两参数的自适应选取。

1.1.1 最佳惩罚因子

根据现场实际振动信号的频谱分布特征，一些由转频等旋转频率主导的谐波主要位于中低频区域，而周期性冲击和噪声干扰大多位于高频区域。因此，基于VMD的信号分解过程将每个模式分量的中心频率作为确定相应惩罚因子的基础。仿真研究表明，惩罚因子越大，信号分解的各模式分量对应的中心频率越精确，说明谐波成分对较大的惩罚因子更敏感。因此，如果模式分量的中心频率小，则表明模式分量主要是谐波，应选择大的惩罚因子；如果模式分量的中心频率大，则表明模式分量主要是周期性冲击和噪声，此时应选择较小的惩罚因子。基于上述研究，建立惩罚因子与模态分量中心频率之间的映射关系，即

αk=0.4×e-0.000 8×fkc×fs/2

(2)

式中：αk为第k个模式分量的惩罚因子；fkc为第k个模式分量的中心频率；fs为采样频率。

1.1.2 最佳模式分量数

由于不同的设备工作环境对信号的影响比较复杂，往往难以准确估计信号的模式分量数。针对这种情况，基于重构信号与原始信号的定量关系，提出由能量损失系数和皮尔逊相关系数来自适应地确定信号的模式分量数K[9]，皮尔逊相关系数r可表示为

(3)

能量损失系数ζ可表示为

(4)

文章中以能量损失系数ξ和皮尔逊相关系数r作为确定模式分量数的指标，根据经验，将能量损失系数阈值设为0.01，将皮尔逊相关系数阈值设为0.995。当r≥0.995或ξ≤0.01时，信号停止分解，从而确定最合适的模态分量数。

1.2 异音定位原理

声源在空气中传播时，存在扩散衰减、空气吸收衰减以及反射面衰减等能量损失现象[10]。首先，扩散衰减是指声源在辐射声波时，声波向以声波为中心的四面八方进行传播，且由于波阵面随传播距离的增加而增大，在此过程中声能会在波阵面上发生分散，声强将随声波的传播距离的增加而衰减，即

(5)

式中：I为声强；p为声源功率；s为半球面型声源辐射面积；r为传播距离。

假设声源传播半径为r0，则有

(6)

式中：I0为半径为r0处的声强。

另外，声波在空气中传播时，空气中相邻质点的运动速度不同，产生的黏滞力会使得声能转化为热能散失掉，这种现象即为声波在空气中的吸收衰减[11]。声波在空气中的衰减程度与空气的温度、湿度以及声波的频率相关，即

I=I0e-ar

(7)

式中：I为距离声源r处的声强；a为衰减系数，其计算式为

(8)

式中：ω为声波频率；ρ为介质密度；η为黏度系数；c为波速。

文章主要研究声波在传播至不同距离处的压强大小，因此主要考虑声音在传播过程中的扩散衰减和空气吸收衰减。基于上述理论可知，声音在传播过程中存在衰减损失，在不同位置处测得的声强就各不相同，则当测试点相距声源不同距离时，根据所测得的声音信号所提取的指标也存在差异性。

基于上述研究，拟通过在不同距离处测量声音，利用改进VMD算法提取声音信号中的特征信号，并计算其特征指标，根据选定的声指标不断逼近声源，继而实现声源定位。异音源定位方法如图1所示，其中s(x,y)为声源位置，M1，M2，M3，…,Mn分别为距离声源不同远近程度的测点，G1，G2，G3，…,Gn分别为在M1，M2，M3，…,Mn位置处测得的声音特征值。

图1 异音源定位方法示意

采用麦克风传感器进行多次测试，并逐渐逼近以确定异音源，具体测试步骤分为3步。

(1) 初次测试，即测试人员在存在异响的工作室选定测试起始点，然后将传感器测得的信号传输至平板电脑，利用平板电脑进行信号特征提取和异音指标计算等处理，处理软件自动生成特征值G1。

(2) 更换测试位置，进行第二次测试，测试人员根据自动生成的特征值G2判定变换测试位置的过程是远离还是接近异音源。

(3) 再次变换测试位置，分析过程同步骤(2)，进而不断逼近异音源，从而确定异音源的位置。

新的个税法采用了按年纳税，工资薪金个税预扣预缴采用了累计预扣法，并且还要在年终过后汇算清缴。收入的忽高忽低，对全年应缴纳的个税总额不产生任何影响。

1.3 异音识别与定位方案

根据上述理论和分析，制定电机异音定位流程，其具体步骤为：① 采集不同位置的电机原始声音信号； ② 用改进VMD算法对不同位置的电机原始声音信号进行分解，得到各个模式分量的峭度指标，将峭度指标最大值对应的模式分量作为最佳模式分量；③ 计算最佳模式分量的有效值和峭度指标；④ 如果最佳模式分量对应的有效值和峭度指标均大于设定阈值，则判定电机异常，反之判定电机正常；⑤ 计算不同位置声音信号的有效值，绘制RMS趋势图；

⑥ RMS(均方根值)最大的位置即为异音所在位置，从而实现异音源的定位。

2 现场数据分析与验证

2.1 现场振动信号分析

核电测试人员利用移动手机对电厂中存在轴承异音的电机进行录音，并采集了正常电机的声音作为对比，正常电机和异常电机声音信号的时域波形、频谱和全频带包络谱如图2，3所示。

由图2，3可知，正常电机和异常电机时域波形中周期性冲击均不明显，异常电机全频带包络谱中也没发现突出的轴承故障频率。对比正常电机和异常电机的频谱可以发现，异常电机频谱成分较为复杂。

图2 正常电机声音信号

图3 异常电机声音信号

笔者通过对信号进行分解，选择信号的共振频带并提取隐藏的故障特征。由于VMD算法的本质是将信号分解为若干频段，并基于峭度最大化准则选择包含故障冲击的最佳模式分量，最佳模式分量对应的频段即为信号周期性冲击所在的共振频带。

采用改进VMD算法对异常电机声音信号进行分解，各模式分量的时域波形(上图)和频谱(下图)如图4所示。

由改进VMD信号分解结果可知，异常电机声音信号被分解为6个模式分量。计算各模式分量对应的峭度指标，其结果如表1所示。

表1 异常电机各模式分量的峭度指标

图5 异常电机最佳模式分量时域波形和包络谱

由图5可知，异常电机声音信号经过改进VMD分解后，最佳模式分量IMF6的时域波形中存在较为明显的周期性冲击，包络谱中主要频率为轴承内圈故障特征频率(79 Hz)及其倍频成分，故障特征突出。由最佳模式分量频谱可知，异常电机故障特征主要集中在5 500～9 500 Hz频段范围内，该频段为电机异音所在频段。

为进一步寻找能够表征电机异音的指标，分别计算正常电机以及异音电机在全频带和5 500～9 500 Hz频段信号对应的时域特征指标，结果如表2所示，可见在全频带范围内，异音电机的时域指标与正常电机的时域指标差异较小。对于异音所在频段(5 500～9 500 Hz)，异音电机的时域指标明显大于正常电机的时域指标，笔者选用有效值和峭度指标作为故障判定指标，其中有效值阈值设为0.008，峭度指标阈值设为3.5。

表2 正常电机和异音电机在全频带和5 5009 500 Hz频段信号对应的时域特征指标

2.2 试验验证

为验证上述异音源定位方案的可实施性及有效性，开展异音源定位模拟试验进行验证。首先，针对距离异音源远近对异音特征的影响，开展变距离异音采集试验，即将现场采集的轴承异音作为异音源，将正常轴承的电机声音作为噪声源，然后分别用扬声器播放。其次，将麦克风传感器从噪声源逐渐向异音源靠近，研究在距离异音源不同情况下异音指标的变化情况。试验设备布置情况如图6所示。

图6 试验设备布置示意

由于现场噪声强度一般要大于异音强度，为了更好地模拟现场声音环境，选择大功率的喇叭播放噪声，以较低功率的手机播放异音。其全频带时域波形如图7所示。

由图7可知，随着传感器逐渐靠近异音源，信号幅值在逐渐减小，这是因为噪声强度要远大于异音强度，因此两声源叠加后，声场中各点声强的大小主要与距离噪声源的远近相关，即距离噪声源越近，信号幅值越大。

图7 异音采集试验的全频带时域波形

采用改进VMD算法对信号进行分解，得到最佳模式分量，其时域波形及RMS趋势曲线如图8所示。

图8 异音电机的最佳模式分量时域波形及RMS趋势曲线

由图8(a)可知，在麦克风靠近异音源的过程中，所采集到的声音信号幅值逐渐增大，与全频带幅值变化趋势完全相反。由图8(b)可知，在麦克风逐渐靠近异音源的过程中，最佳模式分量RMS的值总体呈上升趋势。为对比正常电机与异音电机两者的差异性，将上述试验中异音源的声源更换为正常电机，其全频带时域波形如图9所示，与第一次试验的时域波形类似，即在噪声源靠近正常电机声源的过程中，传感器所采集到的声音幅值在逐渐降低。

图9 正常电机的全频带时域波形

正常电机的最佳模式分量时域波形及RMS趋势曲线如图10所示。由图10可知，在麦克风传感器从噪声源端向正常电机声源靠近时，信号幅值逐渐降低，RMS值也呈下降趋势，RMS最大幅值为6.4×10-3，而异音电机最大幅值接近0.03，二者相差较大。

图10 正常电机的最佳模式分量时域波形及RMS趋势曲线

综上，对于电机轴承异音，通过计算不同位置采集的声音信号对应的最佳模式分量有效值，可有效区分距离异音源的远近，从而实现异音源的定位。

3 结语

针对国内某核电站机组的电机异音问题，提出一种基于改进VMD算法的电机轴承异音识别与定位方法。通过采集现场数据并进行对比试验，得出以下两个结论。

(1) 改进的VMD算法可以根据不同信号自适应地确定模式分量数和每个模式分量的惩罚因子，避免了传统VMD算法中参数选择导致的过分解和欠分解问题。

(2) 通过绘制不同位置的声音信号最佳模式分量对应的RMS趋势曲线，实现了电机异音源的定位，并通过异音定位模拟试验验证了该方法的有效性。