基于自适应多尺度自互补顶帽变换轴承故障增强检测-振动工程.doc

谐波分解结合自互补Top-Hat变换的轴承 微弱故障特征提取方法 唐贵基，邓飞跃，王晓龙 （华北电力大学能源动力与机械工程学院，河北省 保定市 071003） 摘要：针对轴承早期故障特征微弱，极易被背景噪声淹没而不能及时检测的问题，本文提出了基于谐波分解和自互补Top-Hat变换的轴承微弱故障特征提取方法。首先，通过改进广义谐波小波函数，使得信号分解后子带个数和带宽范围不受二进制分解方式的限制，并在此基础上应用谱峭度图方法确定信号中故障特征相对集中的最优频带；然后，对最优频带信号进行多尺度自互补Top-Hat变换，抑制背景噪声的干扰，突出微弱的故障冲击特征，并引入故障特征能量比的方法自适应确定最优结构元素的尺度；最后，通过包络解调提取出轴承微弱的故障特征。对仿真信号和实测轴承全寿命数据分析的结果表明，该方法能较为有效检测出轴承微弱的故障特征，具有较高的工程应用价值。 关键词：滚动轴承；微弱故障；谱峭度；Top-Hat变换；故障特征能量比 中图分类号：TH165+.3; TN911.7 文献标识码：A 文章编号: 引言 在实际工程中，滚动轴承的故障振动特征容易被机械系统自身的正常振动、其他振源引起的干扰信号以及各种噪声造成的背景噪声所掩盖，尤其是发生早期微弱故障时，检测故障特征难度更大[1-2]。 轴承发生故障时，损伤点反复撞击与之接触的其他元件表面从而产生周期性冲击振动，但早期故障激起的冲击成分非常微弱，往往淹没在强烈的背景噪声中[3]，因此，增强轴承微弱故障检测主要集中在两个方面：一是确定信号中故障冲击成分相对集中的最优频带；二是有效抑制信号中强背景噪声的干扰[4]。基于此，国内外学者进行了广泛的研究，文献[5]选取不同谐波小波参数对轴承故障信号进行变换，通过计算分解后各个频带的最大能量熵比来确定最优的共振频带，文献[6]提出一种自适应随机共振方法，利用蚁群算法并行选择和优化随机共振系统的多个参数，建立了与输入信号最佳匹配的随机共振系统，较为有效的增强了轴承微弱故障特征信号，上述方法取得了不错的效果，但需要大量的先验知识，而且计算复杂，限制了其在实际工程中的应用；文献[7]利用Morlet小波滤波特性，采用频带平移及外扩方法根据谱峭度最大化原则自适应地确定信号全频范围内的共振频带，后通过包络解调提取轴承微弱故障特征，但该方法中Morlet小波参数和尺度参数的选择缺乏自适应性，选取不同参数得到的结果存在一定差异；文献[8]改变了传统的小波相邻系数收缩因子计算方法，提出一种改进的小波相邻系数降噪方法，针对微弱故障信号降噪效果较为明显，但选取不同形式的小波基函数会导致降噪效果差异较大；文献[9]提出采用基于相关系数原则的EEMD方法对原信号进行分解重构后降噪,但是根据相关系数确定重构分量时，人为主观因素的干扰较大，不利于产生稳定理想的最终结果。 谐波小波克服了一般正交小波没有明确数学表达式、线性相位特性差及采用隔二抽取采样造成的各子带信号间存在频率混叠等缺陷，能有效提取信号中微弱的故障特征[10]。数学形态滤波是近年来发展起的一种振动信号处理手段，在抑制噪声方面展现了优异的特性[11]。本文结合改进谐波小波分解方法和形态学自互补Top-Hat变换方法提出了一种轴承微弱故障特征提取方法，通过自适应确定信号中的最优频带和抑制信号中的背景噪声，可以有效检测轴承微弱故障的冲击特征，具有较高的工程应用价值。 1 改进的广义谐波小波分解谱峭度图 1.1 改进的广义谐波小波分解函数 谐波小波是剑桥大学Newland[12]提出的一种复小波构造形式。其时域和频域表达式分别为： (1) (2) 式中，m，n为尺度参数，当且，称为广义谐波小波函数[13]，假定平移步长为,则广义谐波小波一般表达式为： (3) 式中，尺度带宽为，分析的时间中心在。 传统的广义谐波小波是以二进制小波包分解方式对信号进行分解，分解后子带个数和带宽范围都会受到二进制分解方式限制，不能任意选取感兴趣的频段。为此本文改进了广义谐波小波分解函数，通过设定分解层数和尺度参数，使得信号分解后子带个数和分解层数相等，如图1所示。实际应用中，通过调节分解层数，能对信号频带进行任意细分，实现对感兴趣频带的精确提取。设为谐波小波的分解层数，则各层子带带宽为： (4) 式中，为信号的最高分析频率，各子带信号的频带上、下限为： (5) 图1 改进广义谐波小波分解的频域分布图 Fig1. Frequency domain distribution of improved harmonic wavelet decomposition 1.2 基于改进广义谐波小波的谱峭度图 谱峭度的概念最初由Dyer提出[14]，后由