CN105588720A - 基于声信号形态分量分析的滚动轴承故障诊断装置及方法 - Google Patents

Abstract

本发明公开了一种基于声信号形态分量分析的滚动轴承故障诊断装置及方法，利用轴承转动过程中会产生声信号，通过分析该信号的时域特征，提出了基于声信号MCA和Hilbert谱分析的轴承故障诊断新方法。仿真和实例分析结果表明轴承故障声信号由冲击分量、谐振分量及噪声复合而成，通过构建由coif4小波字典和局部余弦字典组成的冗余字典能对原信号作较好的逼近。通过利用MCA方法进行广义软取阈值去噪，并稀疏分离出原信号的冲击分量。最后结合由MCA分离出的声信号冲击分量和其Hilbert频谱图，能准确地识别滚动轴承故障类型。

Description

基于声信号形态分量分析的滚动轴承故障诊断装置及方法

技术领域

本发明涉及的是一种轴承故障诊断领域的方法，具体是一种基于声信号形态分量分析的滚动轴承故障诊断装置及方法。

背景技术

目前，对于滚动轴承故障主要是基于振动信号的分析与检测来进行的，但是这种诊断故障的方法有其局限性，需传感器布置在被测轴承座或其相连结构的表面，对于高温、腐蚀、油膜、运动部件等条件环境下，布置传感器的难度十分高，使得对其振动信号的采集受到极大的限制。

机械的噪声是通过振动产生的，机械的声信号是其振动信号的延伸。当其机械振动发生改变的时候，声特性也随之改变，《基于声信号小波变换的滚动轴承故障诊断》一文中的实验表明了，不同故障下的声信号与振动信号，用时域的诊断方法对所测的声信号和振动信号进行故障的在线监测，并用时频分析的方法对故障进行准确定位，能够判断出轴承有无表面损伤类故障。因此也表明机械的声信号中也蕴含着机械设备的状态信息，并可以作为轴承故障诊断的依据。但是，上述文章中的实验是在消声室里面进行的，消声室里面没有杂音噪音干扰，信噪比比较高。而正常环境中却是存在大量的噪音与杂音，信噪比比较低，因此上述方法具有局限性。

轴承故障检测结果主要受信号分析技术的影响。小波分析和神经网络的出现,推动了声学故障诊断技术的发展；独立分量分析(ICA)技术的兴起为声学故障诊断技术中多源信号混合提取问题提供了全新的思路；主分量分析能消除滚动轴承故障声信号的环境噪声。但一方面实际的故障声信号信噪比差，成分复杂，信号中的冲击成分、谐振成分及噪声无法被任意单一的字典充分地表示；另一方面声波在传播时由于扩散、散射和被介质吸收等原因，幅值会不断减小，轴承损伤引起的周期性冲击脉冲很容易被其他噪声淹没。形态分量分析(MCA)方法的出现为复杂信号稀疏分解提供了更优的思路和算法，在信号和图像处理等领域中均取得了很好的效果，且MCA比主分量分析有更佳的去噪能力，更适用于分析信噪比较差的单通道轴承故障声信号。

发明内容

本发明的目的在于提供一种基于声信号形态分量分析的滚动轴承故障诊断装置及方法。通过对傅里叶变换，小波分析等方法的了解和对振动声信号时域形态的分析，建立由coif4小波字典和局部余弦字典组成的过完备字典，再结合BP算法来实现在噪声背景下对轴承微弱故障声信号的稀疏表示，分离原信号中的冲击信号，调制信号，和噪声信号三种成分，并利用冲击信号分量和谐振信号分量对信号进行重构。运用Hilbert包络谱对冲击信号进行处理，根据滚动轴承的故障频率f，对轴承进行诊断。为了达到上述目的本发明采用如下技术方案：

包括传声器、采集卡、采集箱以及信号处理模块；所述传声器固定在距离轴心一定的位置，并正对轴承所在轴承座的侧面中心线上，用于将所述轴承转动过程中产生的声信号转换成模拟信号；所述采集箱及所述采集卡用于进行数据采集，捕获传声器传递的模拟信号，将其数字化并导入信号处理模块以便进行数字处理的设备；所述信号处理模块用于在Matlab程序中对声信号进行稀疏表示，分离原信号中的冲击信号、调制信号和噪声信号三种成分，并对冲击信号进行重构，运用Hilbert包络谱对冲击信号进行处理得出准确的故障特征。

一种基于声信号形态分量分析的滚动轴承故障诊断方法，包括以下步骤：

第一步、对滚动轴承进行正常与故障工作状态划分与设定，计算轴承故障特征频率f；

第二步、传声器固定在距离轴心x的位置，并正对轴承所在轴承座的侧面中心线上，设置采样频率f_s。此外，设置轴转速n和采样点数N；

第三步、在一定的背景噪声条件下测量故障状态的滚动轴承的声信号；

第四部、对轴承微弱声信号进行稀疏表示，分离原信号中的冲击信号，调制信号和噪声信号三种成分，并对冲击信号进行重构；

第五部、运用Hilbert包络谱对冲击信号进行处理得出准确的故障特征。

优选的，所述的声信号设置为：

x(t)＝n(t)+s(t)+h(t)(1)

$s\left(t\right)=\frac{2+cos\left(2{\mathrm{\πf}}_{r}t\right)}{3}\underset{m=1}{\overset{M}{\Σ}}\left\{Bcos\[2{\mathrm{\πf}}_n\left(t-mT\right)\]\×u\left(t-mT\right)\exp \[-\mathrm{\β}\left(t-mT\right)\]\right\}---\left(2\right)$

$h\left(t\right)=\underset{i=1}{\overset{K}{\Σ}}{A}_{i}cos\left(2{\mathrm{\πf}}_{i}t\right)---\left(3\right)$

其中式(1)中，n(t)为噪声分量；s(t)为周期性声信号冲击分量；h(t)为声信号谐振分量；式(2)中，s(t)是由M个幅值为B，衰减系数为β，高频共振频率为fn的冲击成分组成的冲击信号，该冲击信号幅值被频率fr调制；T为冲击间隔时间，故障冲击频率为f＝1/T；u(t)为单位阶跃函数，fr为轴的转速频率；式(3)中，h(t)是由K个幅值为A，频率为fi的谐振成分构成的谐振信号。

优选的，选用由coif4小波字典作为逼近冲击信号，局部余弦字典组成的冗余字典作为逼近谐波信号。

本发明提供的基于声信号形态分量分析的滚动轴承故障诊断装置及方法利用轴承转动过程中会产生声信号，通过分析该信号的时域特征，提出了基于声信号MCA和Hilbert谱分析的轴承故障诊断新方法。仿真和实例分析结果表明轴承故障声信号由冲击分量、谐振分量及噪声复合而成，通过构建由coif4小波字典和局部余弦字典组成的冗余字典能对原信号作较好的逼近。通过利用MCA方法进行广义软取阈值去噪，并稀疏分离出原信号的冲击分量。最后结合由MCA分离出的声信号冲击分量和其Hilbert频谱图，能准确地识别滚动轴承故障类型。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：

图1是本发明实施例工作流程示意图；

图2是实施例中故障声信号的时域图；

图3是实施例中故障声信号的Hilbert谱；

图4是实施例中故障声信号MCA结果；

图5是实施例中冲击分量的Hilbert谱。

具体实施方式

下面将结合附图以及具体实施例来详细说明本发明，在此以本发明的示意性实施例及说明用来解释本发明，但并不作为对本发明的限定。

实施例

如图1所示，一种基于声信号形态分量分析的滚动轴承故障诊断装置，包括传声器、采集卡、采集箱以及信号处理模块；所述传声器固定在距离轴心一定的位置，并正对轴承所在轴承座的侧面中心线上，用于将所述轴承转动过程中产生的声信号转换成模拟信号；所述采集箱及所述采集卡用于进行数据采集，捕获传声器传递的模拟信号，将其数字化并导入信号处理模块以便进行数字处理的设备；所述信号处理模块用于在Matlab程序中对声信号进行稀疏表示，分离原信号中的冲击信号、调制信号和噪声信号三种成分，并对冲击信号进行重构，运用Hilbert包络谱对冲击信号进行处理得出准确的故障特征。

故障轴承SKF6205-2RSJEM参数如表1所示：

表1

如图1所示，上述装置通过以下方式进行工作：

第一步、对滚动轴承进行正常与故障工作状态划分与设定，根据轴承的故障，经计算，得到内圈故障特征频率为f＝161.7Hz。

第二步、传声器固定在距离轴心18.2cm并正对故障轴承所在轴承座的侧面中心线上，采样频率为10kHz。此外，在空载情况下，设置轴转速为1800r/min，采样点数为99000，并加入方差为0.2的高斯白噪声。

第三步、测量故障状态的滚动轴承的声信号。图2和图3分别为轴承内圈局部缺陷故障声信号的时域图和Hilbert谱，可见图2中有冲击现象，但无明显周期性；图3中虽有内圈故障特征频率，但被噪声和其他杂频干扰，不易准确识别故障类型。

所述的声信号在matlab软件中设置为：

x(t)＝n(t)+s(t)+h(t)(1)

$s\left(t\right)=\frac{2+cos\left(2{\mathrm{\πf}}_{r}t\right)}{3}\underset{m=1}{\overset{M}{\Σ}}\{Bcos\[2{\mathrm{\πf}}_n(t-mT)\]\×u(t-mT)\exp \[-\mathrm{\β}(t-mT)\]\}---\left(2\right)$

$h\left(t\right)=\underset{i=1}{\overset{K}{\Σ}}{A}_{i}cos\left(2{\mathrm{\πf}}_{i}t\right)---\left(3\right)$

其中式(1)中，n(t)为噪声分量；s(t)为周期性声信号冲击分量；h(t)为声信号谐振分量。式(2)中，s(t)是由M个幅值为B，衰减系数为β，高频共振频率为fn的冲击成分组成的冲击信号(幅值被频率fr调制)；T为冲击间隔时间，故障冲击频率为f＝1/T；u(t)为单位阶跃函数，fr为轴的转速频率。式(3)中，h(t)是由K个幅值为A，频率为fi的谐振成分构成的谐振信号。

第四步、对轴承微弱声信号进行稀疏表示，分离原信号中的冲击信号，谐振信号和噪声信号三种成分，并对冲击信号进行重构。

所述的对轴承微弱声信号进行稀疏分离是指通过对傅里叶变换，小波分析等方法的了解和对声信号时域形态的分析，建立由coif4小波字典和局部余弦字典组成的过完备字典，选用由coif4小波字典逼近冲击信号，局部余弦字典逼近谐振信号，再结合BP算法来实现在噪声背景下对轴承微弱故障信号的稀疏表示，分离原信号中的冲击信号，谐振信号，和噪声信号三种成分。

利用形态分量分析方法对图2的信号进行稀疏分解，得出三个分量的时域图如图4(a)、(d)、(e)所示，图4(b)为0-1s冲击分量时频图，图4(c)为0-0.2s冲击分量时域图。可看到有明显的周期性冲击信号存在，虽经转频调制后的某些幅值较低的冲击被分离掉，但从(a)、(b)、(c)仍可计算出冲击之间的时间间隔为T＝1/f＝0.0062s。由此可以判断滚动轴承内圈出现故障。

第五步、对图4(a)的冲击分量进行Hilbert变换，得出Hilbert谱如图5所示。相对于形态分量分析前的信号(如图3)，图5更加干净，且故障特征频率f＝161.7Hz处峰值更加明显，结合图4(a)冲击分量中的周期性冲击特征，进一步提高判断该轴承内圈发生故障的准确性。

以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种基于声信号形态分量分析的滚动轴承故障诊断装置，其特征在于：

包括传声器、采集卡、采集箱以及信号处理模块；

所述传声器固定在距离轴心一定的位置，并正对轴承所在轴承座的侧面中心线上，用于将所述轴承转动过程中产生的声信号转换成模拟信号；

所述采集箱及所述采集卡用于进行数据采集，捕获传声器传递的模拟信号，将其数字化并导入信号处理模块以便进行数字处理的设备；

所述信号处理模块用于在Matlab程序中对声信号进行稀疏表示，分离原信号中的冲击信号、调制信号和噪声信号三种成分，并对冲击信号进行重构，运用Hilbert包络谱对冲击信号进行处理得出准确的故障特征。

2.一种基于声信号形态分量分析的滚动轴承故障诊断方法，其特征在于包括以下步骤：

第一步、对滚动轴承进行正常与故障工作状态划分与设定，计算轴承故障特征频率f；

第二步、传声器固定在距离轴心x的位置，并正对轴承所在轴承座的侧面中心线上，设置采样频率f_s。此外，设置轴转速n和采样点数N；

第三步、在一定的背景噪声条件下测量故障状态的滚动轴承的声信号；

第四部、对轴承微弱声信号进行稀疏表示，分离原信号中的冲击信号，调制信号和噪声信号三种成分，并对冲击信号进行重构；

第五部、运用Hilbert包络谱对冲击信号进行处理得出准确的故障特征。

3.根据权利要求2所述的基于声信号形态分量分析的滚动轴承故障诊断方法，其特征在于：所述的声信号设置为：

x(t)＝n(t)+s(t)+h(t)(1)

$s\left(t\right)=\frac{2+cos\left(2{\mathrm{\πf}}_{r}t\right)}{3}\underset{m=1}{\overset{M}{\Σ}}\{Bcos\[2{\mathrm{\πf}}_n(t-mT)\]\×u(t-mT)\exp \[-\mathrm{\β}(t-mT)\]\}---\left(2\right)$

$h\left(t\right)=\underset{i=1}{\overset{K}{\Σ}}{A}_{i}cos\left(2{\mathrm{\πf}}_{i}t\right)---\left(3\right)$

其中式(1)中，n(t)为噪声分量；s(t)为周期性声信号冲击分量；h(t)为声信号谐振分量；式(2)中，s(t)是由M个幅值为B，衰减系数为β，高频共振频率为fn的冲击成分组成的冲击信号，该冲击信号幅值被频率fr调制；T为冲击间隔时间，故障冲击频率为f＝1/T；u(t)为单位阶跃函数，fr为轴的转速频率；式(3)中，h(t)是由K个幅值为A，频率为fi的谐振成分构成的谐振信号。

4.根据权利要求2所述的基于声信号形态分量分析的滚动轴承故障诊断方法，其特征在于：

选用由coif4小波字典作为逼近冲击信号，局部余弦字典组成的冗余字典作为逼近谐波信号。