LMD-MOMEDA滚动轴承故障特征提取方法研究.docxVIP

? ? LMD-MOMEDA滚动轴承故障特征提取方法研究 ? ? 徐向阳，董辛旻，王前江，李 伟 （郑州大学振动工程研究所，河南 郑州 450001） 1 引言 滚动轴承发生故障时由于在复杂的工况环境下故障信号往往淹没于噪声之中，非线性、非平稳等特点致使故障特征不明显，提取特征困难［1］。局部均值分解（local Mean Decomposition，LMD）是由文献［2］提出的一种新的自适应的非线性信号处理方法，并且该方法因对非平稳信号的处理有较好的适用性，已在滚动轴承的故障诊断中得到了广泛的应用。 最小熵解卷积（MED）由文献［3］提出，文献［4］首次用于旋转机械故障诊断，但是由于MED方法只对单个故障脉冲有较好的提取效果。2012年文献［5］在此基础上做出改进，提出了最大相关峭度解卷积（MCKD）方法，能有效提取周期脉冲信号，但是MCKD在诊断过程中故障周期的设置需要借助先验知识来确定。2017年文献［6］在MCKD 的基础上提出多点最优最小熵解卷积（Multi?point Optimal Minimum Entropy Deconvolution Adjusted，MOME?DA）方法，并在齿轮和滚动轴承的故障诊断中成功得到了应用。 先使用LMD方法将故障信号分解为多个PF分量，通过相关系数准则选取相关程度较大的PF分量进行重构，对重构后的信号用MOMEDA方法进行降噪处理，然后进行频谱分析，结果表明，LMD和MOMEDA相结合的方法能有提取滚动轴承的故障特征。 2 理论基础 2.1 局部均值分解（LMD） 局部均值分解（LMD）方法是一种可以自适应的把原始信号分解为多个纯调频信号和包络信号相乘的乘积函数（Product Function，PF）分量［7］。对一个振动信号x(t)，LMD分解过程如下［8］： （1）计算出信号x(t)所有极值点ni，分别代入式（1）和式（2）计算出相邻极值点间的局部均值mi和包络估计值ai。 将计算出的局部均值mi和包络估计值ai，分别用折线连接起来，采用滑动平均方法平滑处理，得局部均值函数m11(t)和包络估计函数a11(t)。 （2）将局部均值函数m11(t)从x(t)中分离出来，即： （3）通过包络函数a11(t)对进行h11(t)解调，即： （4）若s11(t)的包络估计函数a12(t)≠1，则重复迭代过程直至a1n(t)=1，由式（3）和式（4）得到纯调频信号s1n(t)。 （5）计算包络信号： （6）求解第一个PF分量： （7）从原始信号x(t)中去除PF1(t)，得新信号u1(t)： （8）u1(t)重复式（1）到式（8）过程，得到剩余PF分量。循环k次，直至uk(t)的极值点数不超过一个时停止，即： 式中：Uk(t)—残余分量，原始信号就等于各PF分量加上残余分量之和，即： 2.2 多点最优最小熵解卷积 MOMEDA是一种非迭代解卷积找出最优滤波器的方法，减少噪声对原信号的影响，从而是实现对原信号的重构［9］。 为了提取振动信号中的周期脉冲，MOMEDA方法引入多点D—范数，通过求解其最大值来找出最优滤波器f。 式中：t—目标相量，表示解卷积信号中脉冲冲击成分的位置以及权重。当D—范数取得最大值时，解卷积效果达到最佳，此时所对应的滤波器就是所求的最优滤波器f。式（13）问题的求解相当于求解方程： 式中：f=f1，f2，…，fL，t=t1，t2，…，tN-L，L—滤波器长度；N—输入信号长度。 由式（12）～式（13）化简可得： 令t1M1+t2M2+…+tN-LMN-L=X0t，得： 由（17）可得最优滤波器的解为： 将（7）式带入y=即可求得原冲击信号y。 2.3 LMD-MOMEDA方法故障特征提取步骤 由于滚动轴承的工况复杂故障时常发生，信号受噪声干扰较大。LMD方法直接提取轴承故障信号困难，为提高信噪比提取滚动轴承故障信号中得周期冲击成分。用相关系数准则对LMD分解后的PF分量进行重构，然后对重构后的信用MOMEDA方法进行降噪处理，突出冲击成分，进行故障特征提取。具体流程图，如图1所示。 图1 算法流程图Fig.1 Algorithm Flowchart 3 仿真分析 为了验证LMD-MOMEDA方法能在强噪声环境下能有效提取振动信号中的冲击成分，体现该方法的优越性，构造仿真信号如下： 式中：n=（0：4095），fn—周期50的故障冲击信号；N—高斯白噪声，采样频率Fs=2500Hz，仿真信号x的时频域图、周期故障信号以及高斯白噪声信号，如图2所示。 图2 仿真信号Fig.2 Simulated Signal 对仿真信号x进行LMD 方法分解，分解结果，如图3 所示。根据相关系数准则计算LMD分解后的各阶PF分量的相关系数，如表1所示。 图3 LMD分