小波分析技术在矿山机械轴承故障检测中的应用.docxVIP

? ? 小波分析技术在矿山机械轴承故障检测中的应用 ? ? 邓海辉 （江西铜业集团（德兴）实业有限公司，江西 上饶 334224） 为解决矿山机械设备轴承的故障问题，在科研人员的不断探索中提出了多种检测方式，包括聚类检测以及神经网络检测方式等，但由于原有方法在实际工作中无法对复杂工况进行定点，产生的噪点信息会影响数据的采集结果，虽然能够对故障点位置进行定位，但最终效果不佳。随着技术信息的不断发展，在小波分析技术的使用原理下，能够对工作环境中的噪点进行直接剥离，从功率谱和能量谱的分析方式中能够直接对采集的范围进行领域解调，从复杂的振动信号中分离出噪点信息数据，非常适用于矿山的复杂生产环境。因此本文在小波分析技术的基础上，研究矿山机械轴承的故障检测方法，为解决定位噪声信息点的偏移问题，提出科学的理论依据，为矿山的稳定运行提供保障。 1 矿山机械轴承故障检测 1.1 提取矿山机械轴承运转数据 对矿山运转的机械轴承进行实时数据采集，对出现的故障信号进行提取，由于矿山开采过程中机械轴承的生产周期会产生噪声，因此在该背景下采集到的有效数据无法直接完成故障定位，需要进行故障信号点的有效特征提取。机械轴承运转设备在常态下，能够采集到的数据信号非常微弱，所以对故障信号中特征点就更加微弱，需要在轴承的运转特点中，进行在线数据分析，完成故障信号的有效识别，以此作为准确断定轴承运转状态的检测基础。 矿山开采过程中机械轴承的运转状态受多种因素影响，其中以岩层厚度作为主要抗力，在不同的开采岩层内其转速标准设定不一致。根据矿山工作的地质区域，在机械轴承的运转振动荷载中建立数据库，对所有产生的数据类型进行采集。在数据库中加入仪器振动处理装置，分别设置影响转动轴承的运转速度指标，按照其特征进行区分，主要包括轴承的齿轮擦伤和腐蚀数据，以及零件剥落或者断裂数据等，通过不同程度的损伤情况，进行采集数据的有效分类，按照不同组别进行储存。在此基础上设置故障信号的输出通路，在不同类别的故障数据中接入小波分析技术，利用存在的微弱信号进行转动阈值计算，建立机械轴承运转过程中的故障绘制图像模型，完成不同类别的数据分解，去除背景噪点进行故障点定位即可。 1.2 基于小波分析计算转动阈值 机械轴承的运转过程会产生振动信号，存在丰富的频率能量成分，当轴承产生故障时，不同类型的振动频率会发生特性改变，会存在明显被抑制的信号成分，促使该频段信号的能量被削减，而其与运行信号受噪声影响会增加能量，对进行故障特征的提取产生影响。通过小波分析在多层分解不同频段的能量后，将不明显的频段运动能量喜好以频率特征显示出来，实现对故障特征信息的提取，在选择正常情况表等运转频率进行比较，完成对机械轴承的故障检测。 设置机械轴承的振动信号为q(i)，在经过小波分解后能够得到小波系数，每个层级k内的小波分解数据存在能量值Wk，在不同的频率状态下，计算各层级的频率能量值，表达式为： 式中，需要进行小波技术分析的数据信号用i来表示；在每个通路中采集到的数据总数为m个；在小波分析技术解得的数据系数用ik,t来表示；每个层级的小波能量值可以组成数据组，用G来表示。将每个层级内的小波能量按照频段高低进行排序，在对G进行反转后能够得到G′。定义该向量的最大搜索引值数据集合为H，其对应的能量频率值为WG，按照转轴的正常运转情况，设置最大的最大搜索引值和能量频率值，分别为H1和WG1，其中H大于H1时，若WG明显大于WG1则表示该机械转轴中存在故障。 1.3 能量谱分解信号噪点定位故障点信息 通过对各采集点的运转数据阈值，将所有信号转换为能够进行小波变换的信号点，利用能量谱分解方式进行噪点信号的分离，将具有特性的信号集中处理，得出机械轴承运转中产生故障的具体位置。在通过尺度变化中不同信号存在区别，能量谱分离是在小波变换的基础上，将数据信号进行重建，从而对有效的数据在噪声背景下进行提取定位。 小波技术在信号去噪领域的应用非常广泛，阈值去噪是最简单的去噪方法，且效果较为明显，主要是阈值可以选择不同的数值进行去噪，直接将影响定位效果的噪声去除。根据计算所得的转动阈值，将能量谱变化分解过程中分为三个步骤：一是对转动信号进行层次分解，即在小波结构中将高频系数值设置为0，选择一个小波能够确定的分解层次，过滤掉高频出现的数据信号值，将其信号图形变得较为平滑。二是将高频系数阈值进行量化，对处在不同层次的高频系数完成分解尺度选择，利用经验公式中的默认阈值进行比较，在实际去噪过程中，对于比阈值大或小的信号均设置为0，进行信号的重组。三是在分解的多个层级内，在小波的最低层级中找到低频系数，以其为基础将和各层的高频系数进行比较，此时大于基础层的阈值系数为归置项，将两者差值作为下一层级的启动信号，依次确定剩余层次的小波阈值。 总体上不同层次的能