基于MS睱MD的滾動軸承微弱故障提取研究

王志堅　吳文軒　張紀平

摘要：本文提出了一種基于MS（mask signal）和LMD（Local Mean Decomposition，）方法的滾動軸承微弱故障提取方法。本文通過將掩膜信號法與LMD方法相結合的方式，對存在噪聲的故障信號進行處理，提取了故障信號。

關鍵詞：強噪聲；軸承故障；掩膜法；局部均值分解；故障診斷

在旋轉機械中，軸承是至關重要的一部分，而軸承的磨損也是不可避免的，軸承磨損的初期信號較為微弱，很難在強噪聲的背景下被發現，不采取相應的措施就會導致軸承故障，嚴重時甚至會導致重大的事故，造成經濟損失和人員傷亡，因此對軸承早期故障信號的提取一直深受重視。

2005年，在經驗模態分解（EMD Empirical Mode Decomposition ）方法的基礎上，Smith Jonathan提出了一種時頻分析法：局部均值分解（LMD Local Mean Decomposition），其本質是將實測信號按頻率的高低分成不同的PF（Product Function）分量，而每一個PF分量都是由一個包絡信號與一個純調頻信號相乘而來，將分解后的PF分量結合到一起就可以得到完整的時頻分布[1]。

但是LMD的缺點也比較明顯，與EMD方法相比，其模態混疊現象雖然有所減輕，但在強噪聲背景下進行分解，模態混疊現象依然十分嚴重，無法從中提取所需的時頻信息。

基于以上原因，本文將掩膜信號法引入到LMD方法中，在消除LMD方法出現的模態混疊現象后，提取故障信息。

1 LMD

由于實際采集的原始信號中含有不同的頻率成分，屬于多分量信號，LMD方法把多分量信號分解為若干單分量信號（PF分量），然后整合到一起就可以得到原始信號的時頻分布。

2 MS方法

掩膜法（MS mask signal）可以簡單概括為以下幾個步驟，而其中尋找合適的掩膜信號st是掩膜法的關鍵。

3 基于MSLMD的軸承故障提取方法

禹丹江等人在MED分解中提出了一種確定掩膜信號的方法[2]，而將其運用到LMD方法中時，可以對其進行適當改進。

經過掩膜信號法處理后的LMD分解，每一層PF分量只有一個頻率信息，由此可以確定掩膜法有效的消除了仿真信號的模態混疊現象。

4 實測信號分析

文章采用的是Case Western Reserve University（美國凱斯西儲大學）故障軸承數據進行分析[3]，其中轉速為1750r/min，采樣頻率為12000Hz，轉動軸基頻為29.1Hz，計算后的內圈故障頻率約為157.9Hz，本文從采集到的數據中選取10240個點進行分析研究。

PF1的波形比較雜亂，雖然從內圈故障頻率158.3Hz處左右有明顯峰值與其二倍頻率處有較高峰值，但是在轉頻29.1Hz與二倍頻率58.2Hz處同時存在較高峰值，說明發生了模態混疊現象。

經過計算，PF1的相關系數最高，所以只對PF1進行掩膜法處理，轉頻的二倍58.2Hz處的峰值已經消失，較高峰值只出現在內圈故障158.1Hz與二倍頻316.2Hz處。證明成功消除了模態混疊現象。

以上數據表明，本文成功的提取了滾動軸承的內故障信息，由此證明了提出的方法具有可行性。

5 結論

1）掩膜信號法對于強噪聲背景下發生的模態混疊現象有較強的抑制作用。

2）局部均值分解（Local Mean Decomposition，LMD）對故障信號由較強的分解分析能力，但是在強噪聲背景下會失真，出現模態混疊等現象，難以得到有效的故障信息。

3）本文提出的掩膜信號法與LMD相結合的方法，使用LMD對信號進行分解，然后用掩膜信號法對PF分量進行處理，消除其模態混疊現象。利用仿真信號驗證了方法的可行性后，成功提取了軸承的微弱故障特征。為微弱故障特征的提取提供了一種新的研究思路。

參考文獻：

[1]Huo L.Introduce the Quantitative Identification Method of Rolling Bearing in the Application of Fault Detection[J].Applied Mechanics & Materials，2015，742：147149.

[2]禹丹江，任偉新.信號經驗模式分解與間斷頻率[J].福州大學學報，2005，33（5）：638642.

[3] Case Western Reserve University.Case western reserve university bearingdata center website[EB/OL].20110503.

作者簡介：王志堅，男，博士，研究方向：制造過程與故障診斷。