小波變換和EEMD-馬氏距離的軸承故障診斷

艾延廷，馮研研，周海侖

（沈陽航空航天大學 遼寧省航空推進系統先進測試技術重點實驗室，沈陽 110136）

小波變換和EEMD-馬氏距離的軸承故障診斷

艾延廷，馮研研，周海侖

（沈陽航空航天大學 遼寧省航空推進系統先進測試技術重點實驗室，沈陽 110136）

機械故障的聲發射信號中往往摻雜著各種干擾和噪聲，為解決這一問題，提出了小波變換、集合經驗模態分解（Ensemble Empirical Mode Decomposition，EEMD）和馬氏距離相結合的滾動軸承故障診斷方法；首次將馬氏距離引入到軸承聲發射信號的故障診斷中。該方法首先對故障軸承的聲發射信號進行小波去噪處理，再對去噪后的信號進行EEMD分解，將其分解為多個固有模式函數（簡稱IMF）。其次采用馬氏距離的方法消除EEMD分解結果中的虛假分量，提取能夠反映軸承故障特征的IMF分量，突出高頻共振成分。最后，通過瞬時Teager能量的Fourier頻譜識別軸承故障的特征頻率。仿真信號和滾動軸承外圈聲發射信號的實例分析表明：此方法能很好地去除混雜在軸承聲發射信號中的噪聲，準確地識別出軸承故障的部位。

振動與波；故障診斷；小波變換；集合經驗模態分解；Teager能量譜分析

滾動軸承是旋轉機械中最易損壞的關鍵零部件之一，對其進行狀態監測和故障診斷有著廣泛的經濟和社會效益。近年來，用聲發射方法檢測機械故障已經得到了廣泛應用，傳統的線性濾波方法去噪效果并不理想，小波方法已廣泛應用于聲發射信號去噪和特征提取領域[1]。小波分析具有良好的時頻局域性，特別適合于非平穩信號的分析，但是小波去噪效果也與信號的特點及小波基函數和分解層次的選取有關。經驗模態分解（EMD）方法是由Huang[2]提出的，它能夠對非線性、非平穩的信號進行線性化和平穩化處理。但是EMD方法處理復雜的非線性非平穩信號時，由于信號中含有間斷事件，導致其在頻率上的尺度缺失，出現模態混疊現象，集合經驗模式分解(EEMD)就是針對EMD這一缺陷提出來的[3]。馬氏距離是一種能夠計算兩個未知樣本集相似度的方法，目前馬氏距離主要應用在電路故障診斷中[4，5]，本文首次將馬氏距離引入到滾動軸承故障診斷中，取得了良好的效果。

將小波變換和EEMD分解法相結合對滾動軸承的聲發射信號進行特征提取，通過馬氏距離選取能夠反映故障特征的IMF分量，并通過Teager能量譜分析提取軸承故障頻率，通過仿真信號和滾動軸承聲發射實驗驗證了本文提出的方法有效性。

1 小波降噪原理

小波變換具有時域和頻域的良好局部特性，一般地，噪聲信號包含在較高頻率的細節中，而有用的信號則表現為低頻信號，因此可利用門限閾值對小波分解后的小波系數進行處理。小波閾值去噪理論最早是由Donoho[7]提出的。小波閾值去噪算法主要分為4個步驟：

第一步：選擇合適的小波基和小波分解層數，對信號進行小波分解，分解層數一般為3—5層[8]；

第二步：選擇合適的閾值函數；

常用的閾值函數有以下兩種：

[軟閾值函數]

[硬閾值函數]

第三步：選擇合適的閾值。

閾值的選擇在小波降噪的過程中起決定性作用，當小波分解后的小波系數小于選定的閾值時，認為小波系數主要是由于噪聲引起的，應該置為零；當小波系數大于選定的閾值時認為小波系數主要是由于信號引起的。常用的閾值選擇方案有：無偏似然估計的軟閾值估計、通用閾值、啟發式閾值、最小極大方差閾值。

第四步：小波重構。

2 EEMD-馬氏距離基本原理

2.1 EMD原理

EMD方法對信號進行分解后得到多個IMF，這些IMF必須滿足兩個條件：一是其極值點個數和過零點個數相同或最多相差一個；二是其上下包絡線關于時間軸局部對稱。

EMD原理如下[9，10]：

1）尋找信號x(t)的所有極大值和極小值，然后采用三次樣條插值算法分別獲得信號的上包絡線xh(t)和下包絡線xL(t)，同時計算出兩條包絡的平均值m(t)為

2）設變量x1(t)為

若x1(t)滿足IMF的兩個標準則，可以作為第一個IMF，并記為c1(t)否則作為原始信號重復1）和2），直到得到第一個IMF分量。

3）計算剩余信號

把其作為新的信號重復1）和2）直到提取完所有IMF分量。當剩余的信號為非振蕩的單調函數或小于預定值的數，認為分解完畢。原始數據最終分解為n個IMF和一個剩余的向量rn(t)即

上述過程實際上是將原始信號x(t)分解成不同的IMF。

2.2 EEMD原理

Huang提出一種可以解決模態混疊問題的方法EEMD[11-12]，EEMD分解步驟如下：

（1）在原始信號上加一組隨機正態分布的白噪聲；

（2對加入白噪聲后的信號進行經驗模態分解，得到各個IMF分量；

（3）每次加入的隨機正態分布白噪聲的幅值是相同的，重復以上兩個步驟，分解后得到各自的IMF分量組。Huang建議EMD分解次數為100時，白噪聲的幅值取為原始信號標準差的0.1～0.5倍；

（4）取相應IMF的均值作為最終結果。

2.3 馬氏距離

馬氏距離是由印度統計學家馬哈拉諾比斯提出的,表示數據的協方差距離[4]。它是一種有效的計算兩個未知樣本集相似度的方法。與歐氏距離相比,它不受量綱的影響,而且馬氏距離能考慮到各種特性之間的聯系,可以排除變量之間相關性的干擾。樣本y和樣本集m×n矩陣x之間的馬氏距離定義為

m為樣本向量的維數，n為樣本的數量，xˉ為矩陣x的重心，定義為

cx為矩陣x的協方差矩陣，定義為

3 Teager能量算子

對于任意信號x(t)，Teager能量算子ψ的定義為[13]

傳統意義上的信號能量定義為信號幅值的平方，只代表動能或勢能，Teager能量算子能夠跟蹤產生信號所需的總能量。故障軸承工作時會產生周期性沖擊，周期性沖擊的重復頻率反映軸承的故障原因，根據這一原理，本文采用Teager能量譜對滾動軸承進行故障特征提取。

4 仿真信號分析

圖1中可以看出仿真信號時域圖中存在明顯的沖擊周期，且含有大量噪聲，圖2為仿真信號的頻譜圖，圖中不能看出信號故障頻率。經過多次試驗，對仿真信號采用sym5小波基，使用軟閾值函數，采用最小極大方差閾值法進行5層小波分解并重構，去噪后的如圖3所示，去噪后的信號保留了原始信號的沖擊周期，去除了大部分噪聲。

圖1 仿真信號時域圖

圖2 仿真信號頻譜圖

圖3 仿真信號小波降噪后的時域圖

對經過小波降噪后的信號進行EEMD分解，分解為6個IMF分量。分解后的圖像如圖4所示，

圖4 EEMD分解圖

圖5為前五個IMF與原始信號的馬氏距離，圖中可見第一個IMF與原始信號馬氏距離明顯小于其它，故剔除后面的虛假分量，對第一個IMF進行后續的Teager能量譜分析。

圖5 前五個IMF與原始信號的馬氏距離

圖6是IMF 1的Teager能量譜，圖中可以看出100 Hz的特征頻率，故障特征頻率及其倍頻成分十分明顯，由此驗證了基于小波變換和EEMD—馬氏距離的信號特征提取的有效性。

5 滾動軸承聲發射信號故障診斷實例

滾動軸承型號為TMB-N 204 M，采用線切割的方法在軸承的外圈上加工出寬0.5 mm，深0.5 mm軸向貫穿劃痕。實驗過程中，轉速設置為計算得出滾動軸承外圈故障特征頻率理論值：

圖6 去噪后的IMF1的Teager能量譜圖

試驗裝置如圖7所示，軸承基本參數如表2所示。

圖7 軸承聲發射信號故障檢測試驗臺圖尺寸對齊

表2 滾動軸承基本參數(mm)

圖8為軸承聲發射信號的時域圖，圖9為軸承聲發射信號的頻域圖，圖中均不能分辨出故障的特征頻率，利用本文提出的方法對聲發射信號進行故障特征提取。圖10為經過小波降噪后的聲發射信號的時域圖，降噪后沖擊特征更加明顯。

圖8 軸承聲發射信號的時域圖

圖9 軸承聲發射信號的頻域圖

圖10 軸承聲發射信號小波降噪后時域圖

采用EEMD的方法對小波降噪后的信號進行分解，前八個IMF分量如圖11所示。

圖11 EEMD分解結果IMF1-IMF8

圖12為前五個IMF與原始信號的馬氏距離，從圖中可以看出第二個IMF分量與原始信號馬氏距離最小，第一個IMF與原始信號的馬氏距離次最小，因此剔除后面的虛假分量，對第一、二個IMF進行后續的Teager能量譜分析。

圖13和圖14是IMF1和IMF2的Teager能量譜圖，圖中可以明顯看出83.92 Hz的特征頻率，接近軸承外圈故障頻率的理論值83.723 Hz，并且出現了高階倍頻，噪聲干擾也得到有效抑，軸承故障特征明顯直觀。由于受到軸承參數和轉速等誤差干擾，計算出來的頻率值與測得的真實值之間可能會有較小差異。綜合以上分析，可以推斷出軸承外圈發生了故障。通過滾動軸承聲發射實驗驗證了本文提出的小波變換和EEMD-馬氏距離的軸承故障診斷方法的有效性。

6 結語

(1)首次將馬氏距離準則應用到軸承的聲發射信號的特征提取中，提取EEMD分解后能反映原始信號故障特征的IMF分量，去除偽分量；

(2)將小波降噪與EEMD-馬氏距離及Teager能量譜分析結合，應用到滾動軸承故障的聲發射信號特征提取中，準確診斷滾動軸承的故障位置，該對推動軸承故障診斷和狀態監測的發展有重要意義。

圖12 前五個IMF與原始信號的馬氏距離

圖13 去噪后的IMF 1的Teager能量譜

圖14 去噪后的IMF2的Teager能量譜

[1]李孟源，尚振東，蔡海潮.聲發射檢測及信號處理[M].北京：科學出版社，2010.

[2]Huang N E,Shen Z,Long S R,et al.The empirical mode decomposition and Hilbert spectrum for nonlinear and nonstationary time series analysis[J].Proc.R.Soc.Lond.A,1998,454:903-995.

[3]佟雨燕，陸森林.信號相關性和EEMD-Hilbert包絡在滾動軸承故障診斷中的應用[J].噪聲與振動控制，2013，33 (5)：144-147.

[4]秦慶強，張曉安，李艾華，等.馬氏距離在模擬電路硬故障檢測中的應用研究[J].電子測量與儀器學報，2009，23 (7)：41-45.

[5]趙建光，李紅波，曾繁景，等.模擬電路的馬氏距離故障診斷方法研究[J].電子測量技術，2012，35(3)：128-130.

[7]Donoho D L.De-noising by soft-threshold[J].IEEE Transaction on Information Theory,1995,41(3):613-627.

[8]臧懷剛，王志斌，鄭英.改進小波閾值函數在局放去噪分析中的應用[J].自動化儀表，2010，31(5)：5-7.

[9]李志農，呂亞平，范濤，等.基于經驗模態分解的機械故障欠定盲源分離方法[J].航空動力學報，2009，24(8)：1887-1889.

[10]Huang N E,Zheng S,Steven R.A new view of nonlinear water waves:The Hilbert spectrum[J].Annual Review of Fluid Mechanics,1999,31:417-457.

[11]Z H Wu,N E Huang.Ensemble empirical mode decomposition:a noise assisted data analysis method[J].Advances inAdaptive DataAnalysis,2009,1(1):1-41.

[12]夏均忠，蘇濤，張陽，等.基于EEMD能量熵及LS-SVM滾動軸承故障診斷[J].噪聲與振動控制,,2014，34(3)：171-172.

[13]王天金，馮志鵬，郝如江，等.基于Teager能量算子的滾動軸承故障診斷研究[J].振動與沖擊，2012，31(2)：2-3.

Fault Diagnosis of Roller Bearings Using Wavelet Transform and EEMD-Mahalanobis Distance

AI Yan-ting,FENG Yan-yan,ZHOU Hai-lun
(Liaoning key Laboratory ofAdvanced Measurement and Test Technology forAircraft Propulsion Systems,ShenyangAerospace University,Shenyang 110136,China)

The acoustic emission signal of mechanical faults is usually mixed with various kinds of interference and noise.In this article,a method of fault diagnosis of roller bearings was proposed using wavelet transform and EEMD-mahalanobis distance.First of all,the original acoustic emission signals were disposed by wavelet-denoising and decomposed into several stationary intrinsic mode functions(IMF)by EEMD.Then,the false IMFs of EEMD were eliminated by mahalanobis distance method so that the IMF components which could reflect the characteristics of bearing faults could be extracted. Finally,the Fourier spectrum of the transient Teager energy was used to recognize the characteristic frequencies of the bearing faults.Comparison of simulation signal with the measurement emission signal of the bearing with outer race faults show that the method can effectively remove the noise in the fault mixed signals,and identify the location of the bearing fault accurately.

vibration and wave;fault diagnosis;wavelet transform;ensemble empirical mode decomposition (EEMD);Teager energy spectrum analysis

TP206+.3

：A

：10.3969/j.issn.1006-1335.2015.01.048

1006-1355(2015)01-0235-05

2014－06－23

航空科學基金（2012ZB54007）；中航工業產學研專項(cxy2012sh17)

艾延廷，遼寧葫蘆島人，男，博士，主要研究方向為航空發動機結構強度、振動分析與故障診斷。

馮研研，女，碩士研究生。E-mail:693036922@qq.com