滚动轴承声信号特征提取和诊断试验研究
余永增?
【摘 要】摘要 为解决振动检测方法不能有效识别低速旋转机械滚动轴承故障问题，利用声发射检测方法，建立了滚动轴承低速声发射信号采集试验装置，对模拟人工缺陷滚动轴承声发射信号进行了采集，进而对滚动轴承声发射信号进行总体平均经验模式分解，结合能量矩及相关系数法综合判断分解后各模态分量的真伪，据此提取出特征信号并做出其局部Hilbert边际谱，最后对滚动轴承各种故障模式进行诊断。试验结果表明该诊断方法能准确识别滚动轴承声发射信号故障频率，依据特征频率及幅值大小可对低速滚动轴承故障进行有效诊断。
【期刊名称】应用声学 【年(卷),期】2024(037)006 【总页数】6
【关键词】关键词 滚动轴承，声发射，总体平均经验模式分解，能量矩，Hilbert边际谱
中图法分类号:TG115.28
2024-01-09收稿;2024-04-12定稿
1 引言
声发射检测方法因能识别早期轴承故障和低速滚动轴承故障，成为继普遍的振动检测方法之后用于旋转设备故障诊断的一项新技术和新方法。该方法能预测轴承微观缺陷、故障初期及扩展期动态缺陷和一些转速、冲击水平低的轴承缺陷，已逐渐从实验室条件测试走向实际检测，应用于旋转设备运行故障诊断当
中[1?3]。但声发射信号是一类不可预知的非平稳的突发瞬时信号[4]，所采集到的声发射信号既包含了轴承故障源信息，也包含大量干扰无关信号，后续信号处理中去噪，提取源故障特征信号是该方法的难点和瓶颈，也是该方法研究的重点所在。
已有研究表明，小波变换并不会自适应地识别出信号的局部信息，而利用经验模式分解(Empirical mode decomposition,EMD)方法提取出的固有模态函数(Intrinsic mode function,IMF)，包含并突出了原信号局部特征信息，与之相适应的Hilbert变换在信号分解、瞬时参数求取、刻画时频特征方面做了很大突破[5]。但EMD方法亦有自身局限和问题，模态混淆、如何判断模式分量、端点效应、欠包络或过包络等问题，严重影响了其应用广度[6]。总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)是EMD方法的改进，该方法利用白噪声具有频率均匀分布的统计特性，使加入白噪声后的信号在不同尺度上具有连续性，从而有效地解决了模态混淆问题[6]。本文建立了滚动轴承低速声发射信号采集试验装置，对滚动轴承不同部位(滚动体、外圈)故障声发射信号进行了采集，将EEMD分解技术应用于滚动轴承声发射信号的处理中，结合能量矩和相关系数综合判断分解后模态分量的真伪，进而提取轴承故障信号特征，达到了低速转动设备滚动轴承故障诊断目标。
2 基于EEMD的Hilbert-Huang变换方法
2.1 改进的EEMD方法
在EMD方法中，信号极值点分布不均匀会导致模态混叠，从而影响其得到合理IMF的能力。Huang提出了通过加入噪声来对原信号进行辅助分析的EEMD方法，即利用白噪声频谱的均匀分布特性，将信号加在遍布整个时频空
间分布一致的白噪声背景上，这样，不同时间尺度的信号会自动分布到合适的参考尺度上，并且由于零均值噪声的特性，经过多次平均后，噪声将相互抵消，集成均值的结果就可作为最终结果[6]。 EEMD方法的主要步骤如下：
(1)给采集待分析信号x(t)加上一组白噪声ω(t)来获得一个总体X(t)： (2)将总体X(t)利用EMD方法进行分解，得到各IMF分量cj：
(3)再给x(t)加入其他不同白噪声ωi(t)，重复步骤(1)、步骤(2)：Xi(t)=x(t)+ ωi(t)，分解后得到每一个IMF分量组cij：
(4)取相应IMF均值作为最终的IMF组：cj=，其中，N为总体个数。
此外，EEMD方法中需确定所加白噪声幅值a和集合平均次数N，依照文献[6]，白噪声的幅值为原始信号幅值标准差的0.2倍。根据统计理论，由白噪声引起的分解误差可见，当a一定时，N越大，分解误差e越小。计算得到e后，N也随之得出。
2.2 Hilbert变换及边际谱
先将实信号x(t)转变为复信号，变换复信号虚部即为原信号的Hilbert变换。对信号进行EEMD分解后，再对每个固有模态函数ci(t)作Hilbert变换并构造出解析信号，这样可求出瞬时频率，做出Hilbert谱，将Hilbert谱在原始信号长度积分，可求出信号的Hilbert边际谱。Hilbert谱反映出信号幅值在目标频率段上随时间和频率的变化关系，而Hilbert边际谱可描述出信号幅值在目标频率段上随频率的变化关系，Hilbert边际谱比Hilbert谱所表征的信号特征更具体。
3 基于能量矩和相关分析的IMF伪分量判别方法
滚动轴承声信号特征提取和诊断试验研究
