基于Gabor变换和EMD的轴承故障诊断.pdfVIP

第30卷第1期 石家庄铁道大学学报(自然科学版) v01．30No．1 of Tiedao Science 2017年3月Journal ShijiazhuangUniversity(Natural 基于Gabor变换和EMD的轴承故障诊断 安晓红， 牛江川， 任 彬， 申永军， 杨绍普 (石家庄铁道大学机械工程学院，河北石家庄050043) 摘要：基于振动信号处理的轴承故障诊断方法应用非常广泛。由于在实际采集的振动信号 中往往混合着干扰信号，因此提出了一种基于Gabor变换的盲源分离和基于经验模态分解 方法对振动信号进行盲源分离，然后利用EMD方法进行分解获得本征模式函数(IMF)分量，再 通过局部细化Hilbert包络谱方法分析判断轴承故障的特征。研究结果表明，通过对轴承振动 信号进行盲源分离和EMD分解，可以使信号的故障特征更加明显，从而提高故障诊断的准 确性。 关键词：故障诊断；盲源分离；经验模态分解 0 引言 在振动信号处理的过程中，从一组未知信号经过一个混合系统得到的观测信号中恢复出原始信号， 是非常困难的。如果混合系统已知的话，则通过观测信号可恢复出原始信号，然而实际的原始信号混合 方式往往是未知的。从一组传感器测得的混合信号中分离出独立源信号的方法，称为盲源分离。盲源分 离的算法有许多，常用的有特征矩阵的联合近似对角化法、信息极大法和固定点算法[1]。这些方法的应 用比较复杂，申永军等人[23提出了一种较简单的基于Gabor变换的盲源分离方法，并对仿真信号获得了 对象进行Hough变换，对仿真信号进行盲源分离，得到了比较好的效果。以上方法均是以特殊频率为基 准，寻找分量之间的比值，构成近似混合矩阵，进而求出解混矩阵，对信号进行盲源分离。 由于局部细化变换可以使故障特征比较明显[5]，本文首先通过局部细化功率谱方法获得了轴承故障 特征。然后采用基于Gabor变换的盲源分离方法对轴承的振动信号进行盲源分离，利用EMD分解获得 本征模式函数分量，再通过局部细化Hilbert包络谱分析判断轴承故障的特征。通过两种方法的对比，发 现后一种方法可以使轴承的故障特征更加明显。 1局部细化功率谱分析 局部细化功率谱分析是在功率谱分析中用来增加功率谱中某些部分频率分辨率的方法。标准的快 速傅里叶变换分析结果的频率分布在0到奈奎斯特截止频率之间，频率分辨率由谱线数(一般是原始采 样点数的一半)决定。而应用中经常需要提高频率范围内某一部分谱线的分辨率，这就需要通过细化的 方法来实现。要提高功率谱的频率分辨率，使功率谱的分辨率增加K倍，只要将信号的采样点数增加到 收稿日期：2015-12—30责任编辑：刘宪福DOI：10．13319／j．cnki．sjztddxxbzrb．2017．01．15 (QN2014151) 通信作者：牛江川(1977一)，男，博士，副教授，主要从事振动控制与故障诊断的研究。E-mail：menjc@163．corn 安晓红，牛江川，任彬，等．基于Gabor变换和EMD的轴承故障诊断[J3．石家庄铁道大学学报：自然科学版，2016，30(1)：81—85． 万方数据 82 石家庄铁道大学学报(自然科学版) 第30卷 原点数的K倍就可以实现。这样使功率谱范围内所有的频率分辨率都增加了K倍，相应的代价是运算 次数的增加[5]。 下面首先计算了滚动轴承的故障特征频率，然后对滚动轴承的振动数据进行了功率谱分析以及局部 细化功率谱分析。 1．1轴承故障特征频率 采用凯斯西储大学轴承数据中心网站的滚动轴承振动数据嘲进行分析。振动加速度数据由放置在 电机驱动端、风扇端和支撑电机的金属底板上的加速度传感器测试获得。故障轴承设置在电机驱动端， mm，节圆直径D为39．04 JEMSKF，属深沟球轴承。故障轴承的滚动体直径d为7。94 型号为6205—2RS