王誌堅 吳文軒 張紀平
（中北大學，太（tài）原 030024）
摘（zhāi） 要：本文提出了一種基於Z小熵反褶積（Minimum Entropy Deconvolution）和局部均值分（fèn）解（Local Mean Decomposition）方法的滾動軸承故障（zhàng）特征提取方法。通過實際驗證成功（gōng）提取了故障信號。
關鍵詞（cí）：強噪聲背景；齒輪箱；Z小熵反（fǎn）褶積；局部均值分解；故障診斷
0 引言（yán）
在旋轉機械（xiè）中，軸承是必不可少的一部分，而軸承的磨（mó）損（sǔn）也是（shì）在所難免（miǎn）的，軸承磨損的初期信號較微弱，很難在（zài）強噪聲（shēng）的背（bèi）景下被人們察覺，不采取相應的措施就會（huì）導致軸承故障，影（yǐng）響到整體的工作甚至（zhì）導致（zhì）重大的事故，造成經濟損失和人員傷亡（wáng），因此對軸承早期故障信號的提取顯得十分重要。
由於軸承的故障信號多為非平穩信號，所以利用時頻分析（xī）法可以在采集信號的（de）時、頻（pín）域內對信號進行（háng）分析。傳統的時頻分析法有：短時傅裏葉變換，小波（bō）變換等，但都有缺乏自適應性等缺點。而現代時頻分（fèn）析方法如EMD（經驗模態分解 Empirical Mode Decomposition）具有（yǒu）自適應性，能（néng）夠基於信號本身尺度進行分解，但存在模態混疊、端（duān）點效應等問題有待解決。
2005年，Smith Jonathan提出了一種時頻分析法：LMD（局部均值分解 Local Mean Decomposition），LMD方法可以自適（shì）應的將采集到的故障信號按（àn）頻率從高到低分（fèn）為若幹PF分量（Product Function），PF分（fèn）量由一個包絡信號和一個純（chún）調頻信號相乘而得，把其中所有的瞬時幅值、頻（pín）率相（xiàng）結合就可以得到完整的時頻分布[1]。
但是LMD方法也有自身的缺點，例如噪聲對分解過程影響較大，所以在強噪（zào）聲背景下使用LMD方法就會造成失真，針對以上（shàng）情（qíng）況，以LMD方法為基礎，提出了一（yī）種MED與LMD方法相結合的故障信號提取（qǔ）方法。
1 方法概述
1.1 MED方（fāng）法
作為一種自適應方法，MEDZ早是由（yóu）Wiggins提出用於檢測（cè）地震信號的方法，2007年（nián）被（bèi）Sawalhi用於（yú）滾動軸承的故障診（zhěn）斷中，Z終目的是（shì）提高信噪比，其優點在於降噪能力強，但其輸出（chū）結果突出的是少數幅值較高脈衝，若有幅值不同的故障信號（hào）混合在一起，MED隻能（néng）突（tū）出幅值較高的信號，較低的則無法識（shí）別。
1.2 LMD方法
由於實際采集的原始信號中含有不同的頻率成分（fèn），所以屬於多（duō）分量信號，LMD方法把多分量信號分解為若幹單分量信號（hào）（PF分量），然後整合（hé）到一起就可以得到原（yuán）始信號的（de）時頻分布。
2 實測信號分析
文章采用的是Case Western Reserve University（美國凱斯西儲大學）故障軸承數據進行分析[2]，其中轉（zhuǎn）速為1750r/min，采樣頻率為12000Hz，轉動（dòng）軸（zhóu）基頻約（yuē）為29.1Hz，計（jì）算（suàn）後的內圈（quān）故（gù）障頻率約為157.9Hz，本文從采集到的數據中選取10240個點進行分析研究。
原始故障信號的所有PF分量可以得到原始信號的波形（xíng）比較雜亂，雖然從內圈故障（zhàng）頻率157.9Hz處左右有明顯峰值，但（dàn）在190Hz和290Hz處峰值較高，難以辨別是噪聲還是故障頻率，故（gù）無法（fǎ）得到有用的頻率信息。
經過降噪處理後的信號降（jiàng）噪（zào）與（yǔ）之前的信號相比，噪聲得到了削（xuē）弱，同時可以（yǐ）看出有周期性的故障信息。
在頻（pín）率值為158.1Hz處有明顯（xiǎn）的峰值（zhí），與（yǔ）計算出的滾動軸承內圈故障頻率157.9Hz差距很小，屬（shǔ）於正常（cháng）的誤差（chà）範圍，可以認定158.1Hz就是軸承的內圈故障頻率特征，同時在158.1Hz的近似二倍頻率316.2Hz處也有明顯的峰值，因此可以認為提取出了內圈的故障信（xìn）息。同時，在頻率值為29.2和58.4Hz處也有（yǒu）明顯峰值，這與轉軸（zhóu）基頻和其二倍頻率58.2誤差很小。
以上（shàng）數據表明，本文成功的提取了滾動（dòng）軸（zhóu）承的內圈故障信息，由（yóu）此證明了提出的方法具有可行（háng）性。
3 結論
（1）Z小熵反褶積（Minimum Entropy Deconvolution，MED）對強噪聲背（bèi）景下的故障信號有較強的降噪能力，但其（qí）隻能突出較高的幅值信息，無法得到周期性故障信息（xī）。
（2）局部均值分（fèn）解（Local Mean Decomposition，LMD）對故障信號由較強（qiáng）的分解分析能力，但是在強噪聲背景下就會失真，發生模態混疊等現象，難以得到有效的故障信息。
（3）本文提出的MED與LMD相結（jié）合的方法，先使用MED對強噪（zào）聲背景下的故障信號進行降噪，然後（hòu）使用LMD對降（jiàng）噪後的（de）信號（hào）進行分解，在利用仿（fǎng）真信號驗證了方（fāng）法的可行性後，成功提取（qǔ）了軸（zhóu）承（chéng）的（de）微弱故障特征。為微弱故障特征的提取提供了一（yī）種新的研究思路。
參考（kǎo）文獻：
[1]Huo L.Introduce the Quantitative Identification Method of Rolling Bearing in the Application of Fault Detection[J]. Applied Mechanics & Materials，2015（742）：147-149.
[2]Case Western Reserve University.Case western reserve university bear-ing data center website[EB/OL].2011，05（03）.http：//www.eecs.case.edu/ laboratory/bearing/.
來源：《山東工業技術》2017年第15期
