滾動軸承故障診斷中常用的信號分析方法

摘要本文介紹了滾動軸承故障診斷中故障特征提取的幾種常用的信號分析方法，分別闡述了這幾種信號分析方法的原理及其作用，總結了不同信號分析方法的適用情況。

關鍵詞 故障特征提取 小波包Walsh變換 TVAR

中圖分類號：U279.32 文獻標識碼：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

隨著現代化生產和科學技術的發展，機械設備已經廣泛應用于現代化生產中。因此，機械故障的狀態監測越來越受到重視。如果某臺設備出現故障未能及時發現和排除，其結果不僅會導致設備本身損壞，還可能造成人身安全傷害。在連續生產過程中，如果某臺關鍵設備因故障不能繼續運行，往往會殃及全廠生產系統設備的運行，而造成巨大的經濟損失。機械設備中大部分都是旋轉機械，它覆蓋著動力、電力、化工、冶金機械制造等重要工程領域。滾動軸承在旋轉機械中應用極為廣泛，其運行狀態往往直接影響到整臺機器的精度、可靠性及壽命。據統計，由于滾動軸承損壞而引的機械故障約占總故障的70%，所以對軸承的質量進行檢測是至關重要的。因此，對有重要用途的軸承進行狀態監測與故障診斷是非常必要的。

滾動軸承的故障診斷包括故障信號采集、故障特征提取、故障模式識別等三個模塊。特征提取作為其中間環節對滾動軸承故障診斷顯得尤為重要，特征提取的結果直接影響后面的故障識別。準確的故障特征提取能促進整個診斷系統準確的識別故障。而特征提取的實質就是對傳感器采集到的信號進行信號分析，在故障特征提取中，傳統的方法大都基于時域特征提取和FFT變換，通過提取振動信號時域或頻域波形的特征量。但是，由于滾動軸承工作狀態的復雜性，有時很難僅通過時域或頻譜分析來對軸承的工作狀態做出較為準確的評價。下面介紹幾種常用的信號分析方法。

1 傅里葉分析法

傅里葉分析法是最傳統也是最基本的信號分析方法。在軸承故障診斷中，也經常用到傅里葉分析法。傅里葉分析法的原理是將采集到的信號分解成不同頻率的信號，從而得到信號的頻譜圖。軸承的故障可以分為內圈故障、外圈故障、滾珠磨損等不同類型的故障。當有某種故障時，信號中就會含有這一故障頻率的信號。得到頻譜圖后，可以通過對照頻譜圖與各種故障固有頻譜。從而得到故障特征，進行后面的分析。傅里葉分析方法通俗易懂，而且易于實現，適用于故障明顯時的信號分析。但實際應用中，由于軸承對于機械裝置的重要性，必須在軸承有輕微故障時就診斷出來，對軸承進行檢修。因此，在工程中，傅里葉分析經常不能滿足要求，才研究出后來的小波分析以及包絡法等分析方法。

圖1 小波包分解過程示意圖

2 小波包能量特征提取

小波包分解將采集的信號投影在不同的頻帶上，然后分別對這些頻帶內的信號進行分析。小波包分析將頻帶劃分為多個層次，對多分辨率分析法沒有細分的高頻部分進一步分解，從而提高了時域分辨率。圖1以三層小波包分解為例說明了小波包分解過程。圖中L代表低頻輪廓信號分解，H代表高頻細節信號分解，后面的數字表示小波包分解的層數，分解過程關系如下：

S=LLL3+HLL3+LHL3+HHL3+LLH3+HLH3+LHH3+HHH3

滾動軸承振動信號包含其內部運行的狀態信息而且振動信號頻譜與其狀態一一對應，當軸承承出現不同故障時，反映為振動信號頻率成分的變化和能量的改變。基于小波包分解的故障診斷方法的核心就是通過小波包分解來提取振動信號能量集中的頻帶的信號。從而根據集中的頻帶信號判斷軸承狀態，發現軸承出現故障的地方。

3 多小波譜峭度方法

譜峭度方法以及其譜峭度的快速算法峭度圖是一種用來發現信號特征所在頻率的方法。該方法在故障診斷中有較好的效果。但傳統的譜峭度方法采用的濾波器較為單一，變化有限，難以準確地匹配故障特征，從而不能得到精確的特征提取結果。多小波譜峭度方法一種依據信號特征進行多小波的自適應構造，并且結合譜峭度理論而成的一種故障特征提取方法。該方法對于信噪比較低的信號能夠準確地鎖定特征頻段，而且可有效地提取出微弱特征，獲得優于傳統方法的效果。

4 包絡法

包絡是通過檢波處理，獲取共振波的包絡線，由包絡線的能量大小來判定軸承缺陷的大小。此外，還可根據包絡波的頻譜分析獲取運動學頻率的信息成分，以判定故障部位及類型。但是，脈沖共振解調法并不能解決軸承故障的所有問題。尤其是危險的致密裂紋所引起的微弱信號，它可能完全淹沒于軸承的其它普通缺陷所產生的振動信號中，因此，還得探求更為準確的信息提取和識別方法。由于脈沖共振解調法要測得故障脈沖引起傳感器的共振信號，但傳感器的諧振頻率高于軸承的各階固有頻率。因此，軸承自身諧振信號不容易被感受到在一定范圍內，故障的信噪比可滿足要求見圖2。

圖2軸承的振動信號比較圖

5 形態非抽樣小波分解方法

傳統的形態小波采用的是一種“隔二抽取”抽樣小波分解方法，因此若直接利用傳統形態小波分解后的近似信號和細節信號進行分析時，將造成信號長度不一致、高層信號信息量不足的問題，這將影響到信號的特征提取。而形態非抽樣小波分解則是基于非抽樣小波框架的一種對偶小波分解方法，它省去了小波分解過程的下抽樣和小波重構過程的上抽樣，是基于信號每個點的變換方法，這種方法能夠避免信息丟失和降低噪聲而引起的失真，因此更適合于信號的特征提取和降噪。形態非抽樣小波分解方法在滾動軸承故障特征的提取中，能夠抑制噪聲又能突出故障沖擊成分，而且能夠取得比傳統小波包分解更好的效果。

6 Walsh變換

Fourier功率譜分析是滾動軸承故障特征提取的一種重要方法，但是難以從早期微弱信號中有效地提取故障特征。walsh變換是類似于Fourier變換的一種信號處理方法，也是以一系列序率不同的方波為基函數構成的數學變換舊。其有相應的序譜分析、功率譜計算等。 滾動軸承故障信號波形和walsh函數有明顯的相似性，應用walsh級數很容易進行信號的綜合，級數越高則近似程度越高。經walsh變換后，數值集中在少數幾個系數上，使用Walsh變換求取此類信號功率譜，可很好地將特征信號提取出來，有利于滾動軸承的模式識別和故障定位。利用walsh變換求取功率譜，其故障特征的強度高，能有效地分離并突出軸承故障特征信息。且walsh變換計算簡單、速度快，其應用效果優于Fourier功率譜。其為滾動軸承早期故障診斷提供了一種新途徑。

7 時變自回歸模型

時變自回歸模型（TVAR）是一種基于參數模型的時頻分析方法。它是在AR(autoregressive)建模的基礎上發展起來的。TVAR方法得出的時頻譜圖具有分辨率高、無交叉干擾項以及計算速度快等優點，非常適合處理非平穩信號，已在故障診斷領域有所應用。

8 結論

軸承是機械裝置中極為重要的零件，其好壞直接關系到機械裝置性能的優劣。因此，軸承故障診斷在工程中極為重要。信號分析又是軸承故障極為重要的環節，本文詳細介紹了幾種用于軸承故障診斷的分析方法。每種分析方法都有其特點和優點，在具體應用中應根據軸承故障的特點以及現有條件，選擇合適的分析方法，對故障信號進行信號分析，從而得到預期的效果。

參考文獻

[1]王利英.鐵路貨車滾動軸承的故障診斷技術研究.申請石家莊鐵道學院授予工學碩士學位論文.2006.

[2]鄭龍，徐紅霞，王廳列，趙曉東，李方洲.一種基于機器視覺的滾動軸承質量檢測方法.科技傳播，2010.

[3]王軍，張海軍.鐵路貨車滾動軸承在運行中的故障診斷方法分析.哈爾濱軸承，2010.

[4]夏瑞花，謝志明，吳董軍，劉輝.滾動軸承振動監測與故障診斷的幾種方法.機械研究與應用，2006.

“本文中所涉及到的圖表、公式、注解等請以PDF格式閱讀”