CN109632311A - 一种自适应声信号轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种自适应声信号轴承故障诊断方法，首先运用最大相关峭度反褶积方法(MCKD)增强轴承故障声音信号中的周期冲击，然后对处理后信号进行改进自适应噪声完备集合经验模态分解(ACEEMD)处理，计算每个经验模态分量的峭度值，根据峭度值最大原则自动提取最优分量并求Hilbert包络谱，以准确提取故障特征频率；在声音信号故障诊断中，若特征故障频率被噪声淹没，采用MCKD可以在一定程度上减少因为分量选择不当而造成的误差，在选取最优分量过程中，CEEMDAN与MCKD结合使用可获得更好效果，所提出方法在一定程度上增强了周期冲击成分，为选择合适分量提供了一定的依据。

Description

一种自适应声信号轴承故障诊断方法

技术领域

本发明属于轴承故障检测技术领域，具体涉及一种自适应声信号轴承故障诊断方法。

背景技术

传统滚动轴承故障诊断基于振动信号实现，但对于双转子轴承等特殊部件，因信号传递路径复杂，直接通过加速度传感器获取故障信号具有一定难度。在机械设备工作过程中声音信号伴随振动信号产生，声音信号中亦带有大量设备运行状态信息，发生故障时声音信号频谱会有所变化。利用设备工作过程中产生的异常噪音信号检测设备运行状态，相比于其他方式具有不接触和操作简单等优点。

由于声音信号信噪比较低，故存在故障特征直接提取较困难等缺陷。针对声音信号信噪比较低这一问题提出了多种降噪方法。Donoh等提出的小波阈值去噪算法通过设置合适阈值区分信号和噪声，但是当原信号中某细节处的小波系数与噪声较多处的小波系数接近时，有用信号易被当成噪声滤掉；Huang等提出EEMD算法通过加入高斯白噪声避免模态混叠，但是最终加入的噪声有可能无法完全消除；CEEMD算法通过加入正负成对的辅助白噪声来抵消只加入正态白噪声导致的问题，但是增加了算法复杂度且没有完全解决模态混叠问题；Torres等提出的CEEMDAN算法可以利用自适应噪声有效减少计算成本并克服模态混叠问题。M.E.TORRES,M.A.COLOMINAS,G.SCHLOTTHAUER,P.FLANDRIN,"A completeEnsemble Empirical Mode decomposition with adaptive noise,"IEEE Int.Conf.onAcoust.,Speech and Signal Proc.ICASSP-11,pp.4144-4147,Prague(CZ)

多模态分解降噪方法在声音信号降噪方面较为有效，但当采用多模态分解降噪方法时，需要对多个模态分量逐个观察。钱伟等以峰值因子和裕度等多指标融合后的指标参数为诊断依据对飞机发电机进行故障诊断，取得了良好的诊断准确率；卿川等利用EMD滤波处理后的最大谱峭度分量构成的重构信号，结合匹配追踪算法提取出了故障冲击成分。峭度相比与其他时域参数，对冲击信号更为敏感，适用于轴承早期故障的诊断。轴承故障声音信号中存在的噪声具有复杂性和多样性，很大程度上增加了故障诊断的难度，MCKD作为一种性能良好的降噪方法已经引起了科研工作者的广泛关注。MCKD以相关峭度作为评价指标，可在一定程度上降低信号中的噪声成分，提升原始信号的峭度，从而充分突出轴承故障信号中被噪声淹没的周期冲击成分。G.L.McDonald,Q.Zhao,M.J.Zuo,Maximum correlatedKurtosis deconvolution and application on gear tooth chip fault detection,Mech.Syst.Signal Process.33(2012)237–255.基于此，本文提出基于MCKD与ACEEMD的算法，增强了峭度指标在寻找最优模态分量过程中的可靠性，利用峭度准则选取最优分量，提高了诊断效率。

发明内容

为实现上述目的，本发明提供如下技术方案：一种自适应声信号轴承故障诊断方法，其特征在于：首先运用最大相关峭度反褶积方法(MCKD)增强轴承故障声音信号中的周期冲击，然后对处理后信号进行改进自适应噪声完备集合经验模态分解(ACEEMD)处理，计算每个经验模态分量的峭度值，根据峭度值最大原则自动提取最优分量并求Hilbert包络谱，以准确提取故障特征频率。

作为本发明的一种自适应声信号轴承故障诊断方法优选技术方案，方法实现环境平台为Matlab，其具体步骤包括如下：

S1：使用MCKD算法去除故障声音信号中的多源噪声；

S2：降噪后信号经ACEEMD算法分解得到若干模态分量；

S3：选取所有模态分量中的前M个模态分量进行峭度值计算，并自动求取最大峭度值模态分量的包络谱；

S4：在包络谱中提取故障特征频率；

S5：确定轴承故障类型。

作为本发明的一种自适应声信号轴承故障诊断方法优选技术方案，所述最优分量进行包络谱分析后，根据频谱图中的突出频率范围确定后续MCKD参数T的优选范围，所述MCKD参数T的寻优范围，由公式T＝f_s/f_i确定，其中，f_s为采样频率，f_i为故障频率，未知故障频率即用所述突出频率代替，所述MCKD算法中滤波器长度参数L的寻优范围根据不同信号特征确定。

作为本发明的一种自适应声信号轴承故障诊断方法优选技术方案，所述S4中故障频率具体包括外圈故障频率、内圈故障频率、滚动体故障频率或保持架故障频率。

当轴承发生故障时，由于出现局部碰撞，会产生周期性冲击信号x，该冲击信号x传递到传感器上时，由于传输路径的影响会逐渐衰减，并且会掺杂大量的噪声成分e，假设路径传输衰减响应为h，则传感器拾取到的实测信号y可表示为：

y＝h·x+e (1)

而MCKD算法的本质是寻找一个滤波器，通过实测信号y恢复冲击信号x，从而达到抑制噪声和突出故障冲击成分的目的，即：

式中：f＝[f₁，f₂，…f_L]^T为滤波器的系数组合，L为滤波器的长度。

MCKD以相关峭度作为评定恢复信号x性能的指标，当相关峭度达到最大时，获得MCKD算法的最终结果。对于任意信号y_n，相关峭度定义为：

其中：T为冲击信号的周期；M为位移数。

MCKD算法的目标函数为：

依据求解方程：

求解方程后得到的滤波器系数组合用矩阵形式表示如下：

其中：

式中：r＝0，T，2T，mT

将得到的滤波器系数组合f代入公式(2)，即可得到周期性冲击信号x。

在CEEMDAN算法中，分解得到的模态分量用IMF_k表示，IMF₁与EEMD中IMF₁的计算方法相同。定义操作符E_j(·)表示通过EMD计算获得给定信号的第j个模态分量，w_i为满足N(0，1)的高斯白噪声，如果x[n]是待处理的信号，则ACEEMD算法可描述如下：

(1)利用EEMD算法分解得到的第一个模态分量为：

(2)在第一阶段(k＝1)计算第一个余量：

R₁[n]＝X[n]-IMF₁[n] (8)

(3)分解R₁[n]+ε₁E₁(ω_i[n])，(i＝1，2，…I)到第1个模态分量，则第2个模态分量表示为：

(4)对于k＝2，3，...K，计算第k个余量：

R_k[n]＝R_(k-1)[n]-IMF_k[n] (10)

(5)分解R_k[n]+ε_kE_k(ω_i[n])，(i＝1，2，…I)到第I个模态分量，第k+1个模态分量可表示为：

(6)将k加1，返回第4步，重复第4步至第6步直到残差余量不适合被分解时，停止分解。最终的余量满足：

其中，K表示分解得到的固有模态分量的数量，因此给定的参数X[n]可表示为：

与现有技术相比，本发明的有益效果是：

(1)ACEEMD方法可以有效去除声音信号中的多源干扰分量，从而更加准确的进行故障诊断。

(2)MCKD可以有效突出冲击成分。在声音信号故障诊断中，若特征故障频率被噪声淹没，采用MCKD可以在一定程度上减少因为分量选择不当而造成的误差。

(3)在选取最优分量过程中，ACEEMD与MCKD结合使用可获得更好效果。所提出方法在一定程度上增强了冲击成分，为选择合适分量提供了一定的依据，为今后进一步研究自适应CEEMDAN方法奠定了基础。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明的流程示意图；

图2为本发明实施例1的仿真信号的时域波形图；

图3为本发明实施例1的仿真信号的时域包络谱；

图4为本发明实施例1仅使用CEEMDAN方法对信号进行处理的仿真信号的时域波形图；

图5为本发明实施例1仅使用CEEMDAN方法对信号进行处理的仿真信号的时域包络谱；

图6为本发明实施例1算法改进后的的时域波形图；

图7为本发明实施例1算法改进后的的时域包络谱；

图8为本发明实施例2的仿真信号的时域波形图；

图9为本发明实施例2的仿真信号的时域包络谱；

图10为本发明实施例2仅使用CEEMDAN方法对信号进行处理的仿真信号的时域波形图；

图11为本发明实施例2仅使用CEEMDAN方法对信号进行处理的仿真信号的时域包络谱；

图12为本发明实施例2算法改进后的的时域波形图；

图13为本发明实施例2算法改进后的的时域包络谱；

图14为本发明实施例3的仿真信号的时域波形图；

图15为本发明实施例3的仿真信号的时域包络谱；

图16为本发明实施例3仅使用CEEMDAN方法对信号进行处理的仿真信号的时域波形图；

图17为本发明实施例3仅使用CEEMDAN方法对信号进行处理的仿真信号的时域包络谱；

图18为本发明实施例3算法改进后的的时域波形图；

图19为本发明实施例3算法改进后的的时域包络谱。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供以下技术方案：一种自适应声信号轴承故障诊断方法：首先运用最大相关峭度反褶积方法增强轴承故障声音信号中的冲击，然后对处理后信号进行ACEEMD处理，计算每个经验模态分量的峭度值，根据峭度值选取最优分量并求Hilbert包络谱，以准确提取故障特征频率。

一种自适应声信号轴承故障诊断方法：

S1：使用MCKD算法去除故障声音信号中的多源噪声；

S2：降噪后信号经ACEEMD算法分解得到若干模态分量；

S3：选取所有模态分量中的前八个模态分量进行峭度值计算，并求取峭度值最大模态分量的包络谱；

S4：在包络谱中提取故障特征频率；

S5：确定轴承故障类型。

根据上述的技术方案：所述最优分量进行包络谱分析后，根据频谱图中的突出频率范围确定后续MCKD参数T的优选范围，所述MCKD参数T的寻优范围，由公式T＝fs/fi确定，其中，fs为采样频率，fi为故障频率，未知故障频率即用所述突出频率代替，所述MCKD算法中滤波器长度参数L的寻优范围为[200，1100]。

根据上述的技术方案：所述S4中故障频率具体包括外圈故障频率、内圈故障频率、滚动体故障频率或保持架故障频率。

实施例1

请参阅图2-7，机械结构发生故障时，故障信息既可以通过振动传递，也可以通过声音传递，为验证提出方法的有效性，构建如下模型来模拟轴承故障时的声音信号：

S(t)为周期性指数衰减冲击信号，频率为72Hz，选取信号长度为5000，在上述冲击信号中加入5dB高斯白噪声；在以下处理过程中，根据观察频谱图特征，

由结果可知直接通过包络解调方法很难提取出故障特征频率，仅使用CEEMDAN方法对信号进行处理，选取模态分量中的前八个分量进行峭度计算，各分量峭度如表1所示。根据峭度最大原则，选择IMF₈进行包络分析，分析结果如图4-5所示此时峭度最大分量IMF₈的包络谱中并不能有效提取故障特征频率。

表1：仿真信号CEEMDAN处理后各分量峭度

Tab.1：The kurtosis of simulation signals IMFs processed by CEEMDAN

表2：仿真信号改进方法处理后各分量峭度

Tab.2：The kurtosis of simulation signals IMFs processed by improvedway

对同一仿真信号采用文中所提出的改进方法进行处理，各分量峭度如表2所示。根据峭度值最大原则选取IMF₁进行包络变换，IMF₁时域波形及包络谱如图6-7所示。结果表明，与仅进行CEEMDAN处理相比，文中所提算法可以根据峭度值有效选择最优分量进行故障诊断。

实施例2

请参阅图8-13，轴承内圈故障声音信号时域波形及包络谱如图8-9所示。因噪声较大，周期性冲击被淹没，故障特征频率无法从包络图中有效提取，影响故障类型准确诊断。

表3：内圈信号CEEMDAN处理后各分量峭度

Tab.3：The kurtosis of inner ring signal’s IMFs processed by CEEMDAN

表4：内圈信号改进方法处理后各分量峭度

Tab.4：The kurtosis of inner ring signal’s IMFs processed by improvedway

对内圈故障声音信号仅进行CEEMDAN分解，所得各分量峭度值如表3所示。分析峭度值最大的IMF7时域波形及频谱图如图10和图11所示，并不能有效提取故障特征频率。图分别为通过文中改进方法处理后的有效模态分量时域波形及频谱图，该模态分量选择依据见表4。对比图12与图13，时域波形中依旧存在较大噪声，周期性冲击不明显。但通过包络谱图，转频成分的干扰程度降低，故障频率得到了有效提取。证明了文中所提改进方法的有效性。

实施例3

请参阅图14-19，外圈故障时域波形及包络谱如图14-15所示，从时域波形图中难以提取故障冲击成分。外圈故障声音信号频谱图中亦无法准确提取故障特征频率。

表5：外圈信号CEEMDAN处理后各分量峭度

Tab.5：The kurtosis of outer ring signal’s IMFs processed by CEEMDAN

表6：外圈信号改进方法处理后各分量峭度

Tab.6：The kurtosis of outer ring signal’s IMFs processed by improvedway

外圈故障声音信号经改进方法处理后有效模态分量时域波形和频谱图，如图18-19所示。与图16-17对比，改进方法根据峭度指标有效提取出了包含故障冲击成分的模态分量IMF₈。通过IMF₈频谱图清晰地提取出了故障特征频率，特征频率倍频亦被有效提取。再一次证明了文中所提方法的有效性。

综上所述：本文提出的声音信号特征增强方法，对实测复杂轴承故障声音信号进行特征增强后继而实现信号分解；然后，根据峭度最大值原则选取其中峭度值最大的模态分量；最终利用包络分析法提取轴承故障特征频率，从而通过声音信号实现轴承的故障诊断。该方法为挑选合适分量提供了较为理想的筛选指标。通过对仿真和实验信号的分析，可得如下结论：

(1)CEEMDAN方法可以有效去除声音信号中的多源干扰分量，从而更加准确的进行故障诊断。

(2)MCKD可以有效突出冲击成分。在声音信号故障诊断中，若特征故障频率被噪声淹没，采用MCKD可以在一定程度上减少因为分量选择不当而造成的误差。

(3)在选取最优分量过程中，ACEEMD与MCKD结合使用可获得更好效果。所提出方法在一定程度上增强了冲击成分，为选择合适分量提供了一定的依据，为今后进一步研究自适应CEEMDAN方法奠定了基础。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种自适应声信号轴承故障诊断方法，其特征在于：首先运用最大相关峭度反褶积方法(MCKD)增强轴承故障声音信号中的周期冲击，然后对处理后信号进行加入了可控噪声的自适应完备集合经验模态分解(ACEEMD)处理，计算每个经验模态分量的峭度值，根据峭度值最大原则自动提取最优分量并求Hilbert包络谱，以准确提取故障特征频率，进行有效故障诊断。

2.根据权利要求1所述的一种自适应声信号轴承故障诊断方法，其具体步骤包括如下：

S1：定义相关峭度：

其中：T为冲击信号的周期；M为位移数。

同时利用以下公式：

其中：

式中：r＝0，T，2T，…，mT

求取最优滤波器系数组合f，继而将f带入下式：

利用最优滤波器实现使用MCKD算法强化周期性冲击信号，去除故障声音信号中的多源噪声，实现原始信号的初步降噪。

S2：降噪后信号X[n]经改进自适应完备集合经验模态分解算法(ACEEMD)分解得到若干模态分量；改进后方法对高斯白噪声赋予权重，根据专家经验明确白噪声权重数值，在一定程度上优化降噪效果，

改进后模态分量计算公式为：

R_k[n]为第k阶段计算的模态余量；β为高斯白噪声权重。

当残差余量不适合被分解时，停止分解。最终的余量满足：

S3：选取所有模态分量中的前M(M<K)个模态分量进行峭度值计算，并利用编程实现自动选取最大峭度值模态分量；峭度是一个无量纲参数，计算公式如下：

其中为信号均值；σ：为信号标准差。

选取最优模态分量依据为：

S4：对最优模态分量进行解调处理(如Hilbert解调法)进而实现故障特征提取；

S5：依据故障特征频率确定轴承故障类型。特征频率计算公式如下：

外圈故障特征频率：

内圈故障特征频率：

滚动体故障特征频率：

保持架故障特征频率：

其中r：轴承转速，单位：转/分钟；n：滚珠个数；d：滚动体直径；D：轴承节径；滚动体接触角。

3.根据权利要求2所述的一种自适应声信号轴承故障诊断方法，其特征在于：根据故障特征频率理论计算值确定后续MCKD参数T的优选范围，所述MCKD参数T的寻优范围，由公式T＝f_s/f_i确定，其中，f_s为采样频率，f_i为故障频率，未知故障频率即用所述突出频率代替，所述MCKD算法中滤波器长度参数L的寻优范围根据不同信号特征确定。

4.根据权利要求2所述的一种自适应声信号轴承故障诊断方法，其特征在于：在自适应噪声完备集合经验模态分解(ACEEMD)中将固定权重白噪声优化为可调权重高斯白噪声，权重数值由传统专家经验确定。