基于聲壓梯度和盲解卷積的滾動軸承故障診斷

郭明建，高偉

（1.廣州汽車集團乘用車有限公司，廣東 廣州 510000；2.上海電氣風電集團有限公司，上海 200241）

基于聲壓梯度和盲解卷積的滾動軸承故障診斷

郭明建1，高偉2

（1.廣州汽車集團乘用車有限公司，廣東 廣州 510000；2.上海電氣風電集團有限公司，上海 200241）

提出一種將滾動軸承聲壓梯度作為分析量的故障診斷方法。聲壓梯度比聲壓的衰減速度更快，受其他聲源和環境噪聲的影響比聲壓小，因而聲壓梯度的信噪比高。該方法對滾動軸承聲壓梯度進行盲解卷積得到分離分量，然后對各分量進行Hilbert包絡譜分析識別軸承的故障特征。最后通過滾動軸承實驗臺實驗驗證該方法的優越性。

滾動軸承；聲壓梯度；盲解卷積；故障診斷

滾動軸承是旋轉機械的重要部件，同時也是故障易發生的部位。當滾動軸承出現損傷時，將影響整個設備的安全穩定運行。當滾動軸承發生故障時，其聲學特性也會發生改變，從而蘊含滾動軸承的故障信息，因此目前已有較多的基于聲信號的故障診斷方法，張武軍等提出了一種獨立分量分析和自相關分析相結合的方法對齒輪進行故障分析，可以有效地提取在強噪背景噪聲干擾下的齒輪故障特征。李常有等采用主分量分析對傳聲器測取的聲信號進行了預處理，在此基礎上應用基于Morlet小波變換的包絡分析和頻譜分析來提取滾動軸承故障特征向量。潘楠等人利用頻域盲解卷積算法對復雜聲場環境中的齒輪箱復合故障進行診斷，該方法通過形態濾波濾除非調制信號，利用改進復數固定點算法優選復獨立分量，取得了良好的診斷效果，同時他又研究了欠定條件下的滾動軸承復合故障聲學診斷問題。但是以上基于聲信號的故障診斷方法都是采用聲壓量進行分析，而聲壓容易受到現場無關聲源的干擾，導致測得的聲壓信號信噪比較低。實際上，在描述聲場信息的參數中，聲壓梯度比聲壓的衰減速度更快，如果采用聲壓梯度作為分析量，其受到其他聲源和環境噪聲的影響比聲壓小，因此聲壓梯度比聲壓更具有優勢。

在實際環境下，由于聲信號在傳播過程中的反射和延遲，傳感器接收到的聲信號是多種信號源的卷積混合，所以采用盲解卷積的方法對源信號進行分離和提取更為合適。目前盲解卷積主要分時域和頻域算法，時域算法能獲得較好的性能，但現有時域算法具有計算量大、復雜度高和收斂速度慢的缺點。而頻域方法通過時頻變換將時域中信號的卷積混合變換為頻域中每個頻率段上的瞬時混合，從而可以在每個頻率段上直接運用成熟的瞬時混合盲分離算法。因此頻域盲解卷積算法的研究和應用較多。但頻域瞬時盲分離需要在頻域克服幅度和排序不確定性問題。本文采用基于聲壓梯度的盲解卷積方法對滾動軸承故障特征進行識別，通過滾動軸承故障實驗對該方法進行驗證。

1 基于聲壓梯度和盲解卷積的滾動軸承故障診斷方法

（1）聲壓梯度。在描述聲場信息的參數中，聲壓梯度（類似于質點振速）比聲壓的衰減速度更快，受到其他聲源和環境噪聲的影響比聲壓小，單只聲壓傳感器是將目標聲信號和背景噪聲同時拾取，而兩傳聲器配對組合在實現抑制背景噪聲的同時僅拾取目標聲信號，因此聲壓梯度相比聲壓具有指向性功能，可以顯著降低周邊環境噪聲及回聲的影響，在故障診斷上更具有優勢。實驗中，在每個測點位置上沿聲波傳播方向布置兩個相同的聲壓傳聲器，根據有限差分原理，當兩個傳聲器之間的距離?r遠小于被測聲波波長時，聲場中某點聲傳播方向r上的聲壓梯度可以由該傳播方向上與該點相鄰的兩個點處的聲壓值近似估算：

（2）頻域盲解卷積算法。頻域盲解卷積算法主要是利用短時傅里葉變換(STFT)將時域卷積混合信號轉化為頻域內每個頻點上的瞬時混合信號，再利用已經發展成熟的瞬時混合盲源分離算法進行分離，最后通過逆短時傅里葉變換將時域信號轉換到時域即可。

（3）基于聲壓梯度和盲解卷積的滾動軸承故障診斷方法步驟（如圖1）。其基本步驟為：輸入滾動軸承聲壓信號；計算每個測點上的聲壓梯度值；采用盲解卷積算法對進行分離得到分離信號；對盲源分離算法分離信號進行Hilbert包絡解調，獲得其包絡信號；進行頻譜分析，按照預先計算的理論故障特征頻率，從頻譜圖中提取故障特征頻率并識別故障。

圖1

2 故障診斷方法驗證

（1）實驗方案。實驗是在普通的房間內進行，實驗中同時采集軸承的聲壓信號和振動信號，振動信號用于后續與聲壓信號診斷結果的對比驗證。測試用的滾動軸承為SKF 軸承，型號為6016，軸承的故障為外圈故障。在實驗臺靠近滾動軸承的位置布置3個ICP型聲壓傳感器，傳感器距地面高度30cm，距離軸承的水平距離為30cm；同時在靠近軸承正上方的機械表面安裝一個ICP型單向振動加速度傳感器采集軸承的振動信號。實驗過程中，設置電機的轉速檔位為8檔，對應的轉頻為7．5Hz，經計算，軸承外圈理論故障特征頻率為45．54 Hz。采樣頻率設置為10240Hz。

（2）實驗數據分析。首先分析加載工況下采集的數據，本文主要從頻域對數據進行分析，以下主要以顯示頻域分析結果為主。先根據1．1節中的公式計算出3個測量點處的聲壓梯度值，然后求聲壓梯度的Hilbert包絡譜，包絡譜如圖2所示。從圖2可以看出，3個測點位置的聲壓梯度包絡譜得到的結果相同，在譜圖中可以明顯看出在頻率45．94Hz和91．88Hz存在較高的譜峰，這些譜峰的頻率與軸承的外圈故障特征頻率及其2倍頻一致。為對比聲壓梯度的診斷效果，在3個測量點處各取一只聲壓傳感器采集的聲壓信號，對這3個聲壓信號進行Hilbert包絡譜分析，包絡譜如圖3所示。從圖3中可以看出，測點1的信號包絡譜在頻率7．58Hz、10．63Hz和15．08Hz處存在譜峰，其中7．58Hz和15．08Hz分別對應于軸承的轉頻及其2倍頻。此外在44．92Hz處存在一個較小的譜峰，它的頻率與軸承的外圈故障特征頻率接近；測點2的信號包絡譜在頻率3．52Hz、7．11Hz和10．63Hz處存在明顯的譜峰，這3個頻率值雖然不是軸承的轉頻，但相互呈現出倍數的關系，可能是現場存在某個未知的聲源，假設該聲源為s。在頻率43．05Hz處存在較小的譜峰，它的頻率可能對應于軸承的外圈故障特征頻率；測點3的信號包絡譜在頻率3．52Hz和7．11Hz處存在明顯的譜峰，這兩個譜峰的頻率分別對應于未知信號源s及其2倍頻，但未能識別出軸承外圈故障特征頻率。接下來，將3個測量點處的聲壓梯度值作為IF_Murata算法的輸入量，得到3個分離信號。對聲壓梯度采用IF_Murata算法分離之后，又進一步將之前未能識別的特征給顯示出來，在3個分量在中都能識別出與軸承的外圈故障特征頻率及其2倍頻對應的譜峰。通過以上的對比分析發現，聲壓梯度具有良好的抗噪性能，對聲壓梯度采用IF_Murata算法分離后的分離量作Hilbert包絡分析，便能清晰地識別出軸承的故障特征，方法簡單且故障識別效果良好，相比采用聲壓信號的診斷方法，采用聲壓梯度對滾動軸承進行故障診斷具有顯著的優勢。

圖2 聲壓梯度包絡譜

圖3 聲壓信號包絡譜

3 結語

本文提出了一種基于聲壓梯度和盲解卷積的滾動軸承故障診斷方法。該方法利用聲壓梯度抗噪能力強的優點，從而提高軸承的故障特征識別能力。采用盲解卷積算法對聲壓梯度進行分離之后，分離分量中能識別出更多的軸承特征。通過滾動軸承實驗臺實驗驗證了該方法的有效性和優越性。

[1]李常有,徐敏強,郭聳．聲信號的主分量分析應用于滾動軸承故障診斷[J]．聲學技術, 2008, 02:271-274．

[2]潘楠,伍星,遲毅林等．基于頻域盲解卷積的齒輪箱復合故障聲學診斷[J]．振動與沖擊, 2013, 07:146-150．

TH165.3

A

1671-0711（2017）08（下）-0059-02