低噪音深沟球轴承振动信号特征提取与缺陷诊断方法研究.pdfVIP

摘要 摘 要 滚动轴承作为机械设备中普遍使用的 “关节”，其振动性能会对主机产生较 大的影响。我国是轴承生产大国，总产量中 70% 以上为深沟球轴承，其中低噪 音深沟球轴承因其性能良好而在诸多领域的应用愈加广泛，对低噪音深沟球轴承 的振动性能要求也愈加苛刻。论文以低噪音深沟球轴承生产过程中的振动测量和 缺陷诊断为应用背景，围绕其中的振动信号获取、信号降噪、特征提取、缺陷诊 断和分类等关键问题开展研究，其研究成果对其他类型轴承的缺陷诊断亦具有借 鉴意义。论文主要研究内容如下。 深沟球轴承在生产过程中的表面缺陷微小，缺陷特征易受本质振动的干扰。 鉴于此提出了基于抑制本质振动的优化集合经验模态分解 （Ensemble empirical mode decomposition ，EEMD ）信号降噪算法，即对振动信号进行两次经验模态 分解 （Empirical mode decomposition ，EMD ），在第一次 EMD 之后筛选出峭度 最大的内蕴模态函数 （Intrinsic mode function ，IMF ）。对该 IMF 零均值化处理 后去除其中幅值介于正负两倍有效值之间的振动成分，之后在其中添加白噪声， 再从加噪 IMF 的第二次 EMD 结果中直接选择频段最高的 IMF 。试验结果表明 本章提出的降噪算法可以高效抑制本质振动成分对微弱缺陷的干扰，经降噪处理 后，实测内圈缺陷信号、外圈缺陷信号和滚动体缺陷信号的峭度值分别从之前的 4.49 、6.82 和 6.44 增大至 46.31 、55.27 和 135.79，凸显了原始振动信号中微弱 的缺陷特征。与 EEMD 算法相比，本章提出的降噪算法仅进行了两次 EMD 运 算，时间消耗由EEMD 的 119.23s 降至 1.05s。 为进一步突出微小缺陷的振动特征，提出了基于参数自适应变分模态分解 （Variational mode decomposition ，VMD ）的缺陷特征提取算法。VMD 算法的 两个参数，即限带内蕴模态函数 （Band-limited intrinsic mode function ，BIMF ） 个数 M 和二次惩罚因子 α 会严重影响 VMD 的效果，且需要预先确定。为确定 合理的 M 和 α ，首先提出可以同时反映冲击脉冲能量大小和频率信息的缺陷能 量 占比 R ，之后提出多天牛须搜索 （Multi-beetle antennae search ，MBAS ）算法， 根据先验知识取 M 为 3 至 8 之间的整数，以min{1/ R} 为优化目标，利用多只天 牛在分别固定 M 时独立优化 α ，迭代循环结束后再从各天牛的优化结果中筛选 出全局最优的 M 和 α 组合。利用该组合分解信号后，筛选 R 值最大的 BIMF 作 为结果输出。仿真信号试验表明本章提出的特征提取算法要优于 自适应白噪声完 整集合经验模态分解 （Complete EEMD with adaptive noise，CEEMDAN ）算法和 固定参数 VMD 算法。实测内圈缺陷信号、外圈缺陷信号和滚动体缺陷信号经本 I 摘要 章提出的算法处理后，相应的缺陷能量占比数值分别为 0.690、1.822 和 1.284； 经 CEEMDAN 处理后，相应的缺陷能量占比数值分别为 0.550、1.723 和 1.212； 经固定参数 VMD 处理后，相应的缺陷能量占比数值分别为 0.227 、0.528 和 0.571 。对比试验结果表明本章提出的算法评价缺陷的性能要优于 CEEMDAN 和 固定参数VMD ，且模态混叠现象要比CEEMDAN 小很多。 对