滚动轴承故障诊断中常用信号分析方法.docVIP

滚动轴承故障诊断中常用信号分析方法 　　摘要本文介绍了滚动轴承故障诊断中故障特征提取的几种常用的信号分析方法，分别阐述了这几种信号分析方法的原理及其作用，总结了不同信号分析方法的适用情况。 　　关键词 故障特征提取 小波包Walsh变换 TVAR 　　中图分类号：U279.32 文献标识码：A 　　 　　The Common Used Signal Analysis Methods in Fault 　　Diagnosis of Antifriction Bearing 　　JIANG Yan, WEN Juan, LIU Tianchang 　　(Faculty of Mechanical Engineering, Southwest Jiaotong University, Chengdu, Sichuan 611756) 　　AbstractThis paper mainly introduces several signal analysis methods of fault feature extraction in fault diagnosis of antifriction bearing, respectively expounds principle and effects of those signals analysis method, summarizes the application condition of different single analysis methods. 　　Key wordsfault feature extraction; wavelet packets; Walsh transformation; TVAR 　　 　　随着现代化生产和科学技术的发展，机械设备已经广泛应用于现代化生产中。因此，机械故障的状态监测越来越受到重视。如果某台设备出现故障未能及时发现和排除，其结果不仅会导致设备本身损坏，还可能造成人身安全伤害。在连续生产过程中，如果某台关键设备因故障不能继续运行，往往会殃及全厂生产系统设备的运行，而造成巨大的经济损失。机械设备中大部分都是旋转机械，它覆盖着动力、电力、化工、冶金机械制造等重要工程领域。滚动轴承在旋转机械中应用极为广泛，其运行状态往往直接影响到整台机器的精度、可靠性及寿命。据统计，由于滚动轴承损坏而引的机械故障约占总故障的70%，所以对轴承的质量进行检测是至关重要的。因此，对有重要用途的轴承进行状态监测与故障诊断是非常必要的。 　　滚动轴承的故障诊断包括故障信号采集、故障特征提取、故障模式识别等三个模块。特征提取作为其中间环节对滚动轴承故障诊断显得尤为重要，特征提取的结果直接影响后面的故障识别。准确的故障特征提取能促进整个诊断系统准确的识别故障。而特征提取的实质就是对传感器采集到的信号进行信号分析，在故障特征提取中，传统的方法大都基于时域特征提取和FFT变换，通过提取振动信号时域或频域波形的特征量。但是，由于滚动轴承工作状态的复杂性，有时很难仅通过时域或频谱分析来对轴承的工作状态做出较为准确的评价。下面介绍几种常用的信号分析方法。 　　 　　1 傅里叶分析法 　　 　　傅里叶分析法是最传统也是最基本的信号分析方法。在轴承故障诊断中，也经常用到傅里叶分析法。傅里叶分析法的原理是将采集到的信号分解成不同频率的信号，从而得到信号的频谱图。轴承的故障可以分为内圈故障、外圈故障、滚珠磨损等不同类型的故障。当有某种故障时，信号中就会含有这一故障频率的信号。得到频谱图后，可以通过对照频谱图与各种故障固有频谱。从而得到故障特征，进行后面的分析。傅里叶分析方法通俗易懂，而且易于实现，适用于故障明显时的信号分析。但实际应用中，由于轴承对于机械装置的重要性，必须在轴承有轻微故障时就诊断出来，对轴承进行检修。因此，在工程中，傅里叶分析经常不能满足要求，才研究出后来的小波分析以及包络法等分析方法。 　　 　　 　　图1 小波包分解过程示意图 　　 　　2 小波包能量特征提取 　　 　　小波包分解将采集的信号投影在不同的频带上，然后分别对这些频带内的信号进行分析。小波包分析将频带划分为多个层次，对多分辨率分析法没有细分的高频部分进一步分解，从而提高了时域分辨率。图1以三层小波包分解为例说明了小波包分解过程。图中L代表低频轮廓信号分解，H代表高频细节信号分解，后面的数字表示小波包分解的层数，分解过程关系如下： 　　S=LLL3+HLL3+LHL3+HHL3+LLH3+HLH3+LHH3+HHH3 　　滚动轴承振动信号包含其内部运行的状态信息而且振动信号频谱与其状态一一对应，当轴承承出现不同故障时，反映为振动信号频率成分的变化