CN104215459A - 一种轴承故障的诊断方法 - Google Patents

Abstract

一种轴承故障的诊断方法，属于机械故障领域，其特征在于，包括如下步骤：对采集到的振动信号进行降噪，提高信噪比；对降噪后的振动信号进行LMD分解，得到PF分量；对每一个PF分量进行频谱分析，得到频谱图。本发明的有益效果：原本包含在原信号的频率成分，被分解到不同的PF分量上，可以更容易的找到故障特征频率。经过频谱校正后的故障频率比未校正的故障频率，更接近于真实的故障特征频率，提高了轴承故障诊断的准确性。

Description

一种轴承故障的诊断方法

技术领域

本发明属于机械故障领域，涉及一种LMD和频谱校正相结合的轴承故障诊断方法。

背景技术

传统的方法是将故障数据进行降噪后，直接进行频谱分析，观察频率图，寻找到的故障特征频率。还有一些时频分析方法有小波变换和经验模态分解(Empirical mode decomposition,EMD)等，这些方法对故障数据进行分解后，再进行频谱分析，观察频率图，寻找到的故障特征频率。

传统的方法是对降噪后的数据直接进行频谱分析，频谱图上包含了所有的频率，频率成分比较复杂，不易提取故障频率。虽然小波变换和EMD方法可以对故障数据进行分解，但小波变换对时频面的分割是机械格型，而且小波基不同，分解结果不同，小波基比较难选择；EMD方法能将信号分解为多个IMF(Intrinsic mode function)分量，对所有IMF分量做Hilbert变换能得到信号的时频分布，但在理论上还存在一些问题，如EMD方法中的模态混淆、欠包络、过包络、端点效应等问题，均处在研究之中。

不论采取上述的哪种方法，用于受到轴承参数误差、采样数据长度等干扰，会使得寻找到的故障特征频率会与实际的真实值存在误差。

发明内容

本发明的目的：

第一，对降噪后的故障数据进行分解，得到的每个分量包含着原信号部分特征信息，其复杂程度要比原信号相对简单得多。

第二，避免像小波变换和EMD方法的缺陷。

第三，减小由于受到轴承振动信号采样数据长度干扰带来的误差。

本发明的技术方案：

本方法首先采用局部均值分解(Local mean decomposition，简称LMD)方法对降噪后的故障数据进行分解，对分解后的得到PF分量进行频谱分析，接着进行频率校正，提高频率和峰值的准确性，观察频率图，寻找到的故障特征频率。

LMD方法是自适应的时频方法，能有效处理非线性、非平稳信号，并且可以避免小波变换和EMD方法的缺陷。

对降噪后的故障数据进行LMD分解，得到的每个PF分量包含着原信号部分特征信息，其复杂程度要比原信号相对简单得多。这样就把对原信号各种特征信息的分析，转化为对各个PF分量的分析，更容易对原信号进行认识和把握。由于PF分量所含信号的成份较为简单，其中所包含的故障特征信息就不易被其他信息所淹没，因此从PF分量中提取故障信息就变的相对简单。

对得到的PF分量进行频率校正，可以减小由于采样数据长度短带来的频率误差，提高特征频率的准确性。

一种轴承故障的诊断方法，其特征在于，包括如下步骤：

第一，对采集到的振动信号进行降噪，提高信噪比；

第二，对降噪后的振动信号进行LMD分解，得到PF分量；

第三，对每一个PF分量进行频谱分析，得到频谱图。

第四，采用校正算法对频谱进行校正，提高特征频率的准确性。

本发明的有益效果：原本包含在原信号的频率成分，被分解到不同的PF分量上，可以更容易的找到故障特征频率。经过频谱校正后的故障频率比未校正的故障频率，更接近于真实的故障特征频率，提高了轴承故障诊断的准确性。

附图说明

图1为该发明的降噪后的轴承滚珠故障数据时域波形

图2为该发明的降噪后的轴承滚珠故障数据频谱图

图3为该发明的降噪后的轴承滚珠故障数据LMD分解图

图4为该发明的降噪后轴承滚珠故障数据PF分量频谱图

图5为该发明的降噪后轴承滚珠故障数据PF分量频谱校正后频谱图

具体实施方式

利用LMD和频谱校正相结合的方法，可以更容易、更准确的提取故障特征频率。为成功对直升机自动倾斜器轴承故障进行诊断提供了更有效的方法。

为验证本方法的效果，本文选用美国凯斯西储大学电气工程与计算机科学系轴承实验数据进行实验分析，支承电机传动轴端的6205—2RS SKF深沟球轴承为测试轴承，由功率为1.47kW的电动机、电器控制装置和测力计、扭矩译码器/传感器构成试验台。其结构参数如表1。

表1轴承结构参数表

参数	数值
		钢球直径d/mm	8
球组节圆直径D/mm	40
		钢球数N	9
接触角α/(°)	0

实施步骤如下：

对采集到的振动信号进行降噪，提高信噪比；

[1]首先选取滚珠故障振动信号数据，采样频率为12KHz，采样点数为1024个，发动机转速1797rpm/min，根据公式(1)算出转轴基频为＝29.95Hz，根据公式(2)算出滚珠故障＝141.17Hz。

f_r＝n/60(1)

$f_b=\frac{D}{2d}(1-{\left(\frac{d}{D}\right)}^2{\cos }^2\left(\mathrm{\α}\right))f_r---\left(2\right)$

对振动数据进行降噪得到的时域图为图1，频谱图为图2。

[2]对降噪后的振动信号进行LMD分解，得到PF分量，如图3。

[3]将每个PF分量进行频谱分析，得到的频谱图为图4。将图2与图4对比可知，在图4上的PF1、PF2和PF3分量的频谱图上可以清晰的发现58.59Hz和140.6Hz处有明显有峰值，这分别与转轴基频的2倍59.9Hz和滚珠故障频率141.17Hz相接近，这是由于受到轴承内圈参数误差、采样数据长度等干扰带来的误差。而在未分解的原信号的频谱图2上，只有58.59Hz处有明显有峰值，140.6Hz处的峰值被淹没，不易提取。由此可以发现，将信号分解后，可以更好的提取特征频率。

[4]采用比值校正算法对PF1、PF2和PF3分量频谱进行校正，得到的校正后的频谱如图5所示。在图中的PF1、PF2和PF3分量上可以清楚的发现59.1Hz和140.9Hz处有明显峰值，与图2中的PF1、PF2和PF3分量上发现的58.59Hz和140.6Hz，更接近于真实的基频的2倍59.9Hz和滚珠故障频率141.17Hz。所以，采用频谱校正算法可以更准确的提取故障特征频率。

Claims (4)

1.一种轴承故障的诊断方法，其特征在于，包括如下步骤： 

第一，对采集到的振动信号进行降噪，提高信噪比； 

第二，对降噪后的振动信号进行LMD分解，得到PF分量； 

第三，对每一个PF分量进行频谱分析，得到频谱图。 

2.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述第三步骤完成后，采用校正算法对频谱进行校正，得到校正后的频谱图。 

3.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述第一步骤中对采集到的振动信号进行小波或小波包降噪。 

4.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述第一步骤中对降噪后的振动信号进行LMD分解，得到PF分量的具体方法为：对于任意给定信号x(i)，其分解过程如下：找出信号x(i)所有局部极值点n_i，求出所有相邻局部极值点平均值和所有相邻局部极值点相减的绝对值，并分别除以2，得到m_i和a_i： 

然后将所有相邻m_i用直线连接起来，再用滑动平均法进行平滑处理，得到局部均值函数m₁₁(t)。用同样的方法得到包络估计函数a₁₁(t)。 

将局部均值函数m₁₁(t)从原始信号x(t)中分离出来，得到： 

h₁₁(t)＝x(t)-m₁₁(t)    (3) 再用h₁₁(t)除以包络估计函数a₁₁(t)以对h₁₁(t)进行解调，得到： 

s₁₁(t)＝h₁₁(t)/a₁₁(t)    (4) 

理想地，s₁₁(t)是一个纯调频信号，即它的包络估计函数a₁₂(t)满足a₁₂(t)＝1，如果a₁₂(t)≠1，则将s₁₁(t)作为原始数据重复上述迭代过程，直到s_1n(t)是一个纯调频信号，即它的包络估计函a_1(n+1)(t)满足a_1(n+1)(t)＝1。实际应用中，在不影响分解效果的前提下，设定一个变动量Δ，当满足1-Δ≤a_1n≤1+Δ时，迭代终止。 

最后把迭代过程中产生的所有包络估计函数相乘得到包络信号： 

将包络信号a₁(t)和纯调频信号s_1n(t)相乘得到原始信号第一个PF分量： 

PF₁(t)＝a₁(t)s_1n    (6) 

它包含给定信号中最高频率成分，PF₁(t)是一个单分量调幅-调频信号，其瞬时幅值就是包络信号a₁(t)，其瞬时频率f₁(t)则可由纯调频信号s_1n(t)求出。 

将PF₁(t)从给定信号x(t)中分离出来，得到一个新信号u₁(t)，将u₁(t)作为原始数据重复以上步骤，循环k次，直到u_k(t)为一个单调函数为止。 

这样给定原始信号x(t)被分解成k个PF分量和u_k(t)之和，即 

式中：u_k(t)是残余项；PF_p(t)为包络信号和纯调频信号乘积。