快速自適應局部均值分解及軸承故障診斷應用

張坤 馬朝永 胥永剛 張建宇 付勝

摘要：提出了一種新的非平穩信號處理方法——快速自適應局部均值分解（Fast and Adaptive Local Mean Decom-position，FALMD）。采用順序統計濾波器求取信號上下包絡線的均值來獲得局部均值函數及包絡估計函數，然后將信號分解為若干乘積函數（Product Function，PF）分量及一個殘余分量。該算法一方面改變了局部均值分解（Local Mean Decomposition，LMD）嚴格的終止條件，提高了運算速率，另一方面減少了對極值點的依賴，在一定程度上抑制了端點效應。仿真信號和實驗信號分析證明了該方法在非平穩信號自適應分解中的有效性，成功地提取出了滾動軸承的故障特征。

關鍵詞：故障診斷;滾動軸承;快速自適應局部均值分解;順序統計濾波器;非平穩信號

中圖分類號：TH165⁺.3;TH133.33 文獻標志碼：A 文章編號：1004-4523（2020）01-0206-07

DOI：10.16385/j.cnki.issn.1004-4523.2020.01.023

引言

機電設備振動信號常呈現非平穩特性，當設備發生故障時其故障信息也常隱藏在這類信號中。近些年來，機械設備故障診斷領域中非平穩信號的處理和分析發展比較迅猛。如以短時傅里葉變換、Wigner-Ville分布、小波變換（包括連續小波變換、離散小波變換、雙樹復小波變換等）為代表的時頻分析方法擁有著非常堅實的理論基礎;以Huang等提出的經驗模態分解法（Empirical Mode Decompo-sition，EMD）為基礎的信號自適應分解方法也呈現出百花齊放的態勢。

Smith等在EMD的基礎上提出局部均值分解（Local Mean Decomposition，LMD），可以自適應地將一個復雜的多分量信號分解為若干瞬時頻率具有物理意義的乘積函數分量，每一個PF分量均可由一個包絡函數和一個純調頻函數相乘來表示。基于LMD自身的優勢，該方法已經得到了一些應用，近年來也得到了進一步的發展：cheng等利用階次跟蹤技術將時域中的非平穩信號轉換為角域中的平穩信號，突出與轉速相關的信息并抑制不相關信息，從而實現故障診斷;Li等采用Hermite插值方法來構造包絡均值函數和包絡估計函數，以替代移動平均法求取相鄰極值點的均值;針對諸多關于LMD的研究中采用一個目標函數及一個預定義的閾值來作為停止準則的不足，Liu等提出一種軟篩分停止準則以自適應尋找最優迭代次數;在ELMD的基礎上，Wang等利用快速譜峭度來構造帶通濾波器提取PF分量中峭度值最大的頻段，從而實現故障診斷。雖然LMD相對于EMD在端點效應、過包絡、欠包絡等方面有一定的優勢，減少了迭代次數，提高了運算效率，但是在這幾個方面仍然留有非常大的優化空問。諸多學者針對這些問題進行了各種改進：如進一步抑制端點效應等;部分學者通過信號上下包絡線來求取LMD算法中的局部均值函數和包絡估計函數。這些求取包絡的算法大多采用了樣條差值，從而增加了計算耗時、降低了計算效率。

本文提出的快速自適應局部均值方法采用順序統計濾波器（Order Statistics Filter，OSF）求取上下包絡代替滑動平均法求相鄰極值點均值，優化了終止條件、提高了運算速率。研究結果表明，該算法運行效率高、有效避免了EMD和LMD的傳統缺陷，可以有效地應用到軸承故障診斷中。

1FALMD介紹

1.1LMD與FALMD概述

LMD算法可以將原始信號中包含不同頻率特征的PF分量依次分離出來，每一個PF分量均可由一個包絡函數和一個純調頻函數相乘來表示，其中的包絡函數對應瞬時幅值，純調頻函數對應瞬時頻率。因此可以求取每一個分量的瞬時幅值函數和瞬時頻率函數，然后經過一系列迭代處理，就可以得到原始信號的調制特征。

與LMD類似，FALMD也需要求取每一個分量的包絡函數和純調頻函數，但是FALMD不必求相鄰局部極值點及其平均值，而是通過求取上下包絡均值來獲取局部均值函數。而采用順序統計濾波器求取包絡線，改變了終止條件。一般情況下僅需2到5次循環即可將分量分離出來，可以在保證運算準確的同時節省運算時問。又因為其本身特點，一定程度上抑制了端點效應。

2FALMD算法優勢

2.1端點效應

在LMD分解過程中，需要不斷地求取信號序列的極值點，然后采用三次樣條插值函數獲取局部均值函數。但在信號端點處極值點不確定，在三次樣條插值過程中，很可能會出現發散現象，產生誤差，并且在不斷迭代的過程中擴大誤差。諸多學者使用其他樣條插值方法改進三次樣條插值方法，或利用數據延拓法抑制端點效應，這些方法在減弱端點效應的同時，亦進一步增加了運算耗時。

FALMD通過求取包絡均值的方式代替LMD先求取極值點再樣條插值最后獲得均值曲線的方式，一方面減少了樣條插值繁雜的運算過程和端點處的不穩定性，另一方面也減少了對極值點的依賴，抑制了端點效應。通過圖1可知，本算法求取的包絡線在端點處收斂，無發散現象。

2.2模態混疊

LMD繼承了經驗模態分解（EMD）的結構框架，模態混疊現象比較常見。FALMD在濾波的過程中采用了順序統計濾波器，這種濾波器最大的特點是在濾波過程中采用了一個可變的滑動窗。首先根據極大值和極小值序列中的最小問距確定w的值，從而合理地確定了滑動窗的寬度，用于對信號中的高頻成分進行濾波。在一次濾波過程中，通過2-5次的迭代可以基本確定包絡估計函數，成功地分離出對應的高頻分量。此時更改滑動窗的寬度進行下一次濾波，就可以將相對低頻的成分分離出來。因此，這種算法具有完備性。

滑動窗寬度的變化有兩種方式，比較常用的是下一次濾波的窗寬為上一次的兩倍，且窗寬必須為奇數。該方式運算速度快，但相對精度較低。另一種方式為，下一次濾波的窗寬為上一次窗寬加一個偶數。這種方式犧牲了部分運算速度，但是提高了濾波精度。在具體應用時，可以根據信號長度自行選擇窗寬變化方式。滑動窗變化方式的選擇非常重要，合理選擇窗寬變化方式，可以有效地抑制模態混疊。

3仿真信號分析

旋轉設備正常運轉時包含低頻周期性信號;軸承作為轉軸的承接部件，發生故障時其振動信號往往含有周期性沖擊信息。因此構造一個周期性高頻沖擊信號模擬故障沖擊I1，一個低頻余弦信號模擬設備正常運轉信息I2

對原始信號進行鏡像延拓后，利用LMD對該信號進行分解，如圖5所示。可以發現，PF1中包含信息太多，而PFz及殘余分量分解錯誤。LMD并沒有將此信號正確地分解開。

利用FALMD算法對該信號進行分解，如圖6所示，初始窗寬w=39。從幅值和調頻形狀來看，分別對應原始信號中的I1和I2，可以認為一定程度上抑制了模態混疊。在端點處也與原信號中吻合，幾乎沒有端點效應。

表1列出了兩種方法的運算耗時，由于LMD方法在分解過程中不斷進行三次樣條插值，從而導致運算效率很低，而FALMD用時僅為0.897s，運算效率明顯提高。添加噪聲后效果更佳。

4工程應用

采用圖7所示故障試驗臺對型號為6307的滾動軸承外圈振動信號進行采集，電機實際轉頻為33.6Hz，電機轉速為2000.9r/min，采樣頻率為Fs=15000Hz。

原始信號噪聲比較大且周期性不強（如圖8所示）。經計算可以求得軸承外圈故障特征頻率fa=102.4Hz，從包絡譜中無法找到特征頻率及倍頻。

采用局部均值分解方法處理故障信號，結果如圖9所示。

采用快速自適應局部均值分解方法處理故障信號，結果如圖10所示。

從兩種方法處理結果中很難看出周期性沖擊信息。對二者可能包含故障信息的PF1分量求包絡譜，如圖11所示。

LMD求取結果包含很多噪聲，在紫色圈中信息已經接近掩蓋二倍頻和四倍、五倍頻。僅特征頻率及其三倍頻比較明顯。在特征頻率未知的前提下很難判斷設備是否出現故障。FALMD求取過程中，初始窗寬計算結果為5，分解出第一個PF分量;隨后窗寬增加至9，分解出第二個分量。噪聲在一定程度上被抑制，且特征頻率及多倍頻均比較明顯。因此可以判斷該軸承的外圈出現故障。

用圖12所示故障試驗臺采集滾動軸承內圈振動信號，電機轉速為1496r/min，采樣頻率15360Hz。圖13為原始振動信號，經計算，可以求得此軸承內圈故障特征頻率為122.7Hz。

采用LMD和FALMD處理信號，二者均分解出兩個PF分量和一個殘余分量。FALMD初始窗寬為7，分解出第1個PF分量;窗寬增加至13，分解出第2個PF分量。分別對LMD，FALMD處理結果中的PFl分量求包絡譜，如圖14所示。可以發現二者劃分效果近似，都可以找到特征頻率及高倍頻，可以判斷此軸承內圈出現故障。雖然FALMD方法并沒有明顯優勢，但也證明這種方法適用于軸承內圈故障診斷。

比較二者耗時，結果如表2所示。FALMD算法耗時很短，求取包絡均值函數mi和包絡估計函數ai的過程只花費了三分之一的時問;LMD耗時過長，求mi和ai花費了接近97.8%的時問。快速自適應局部均值分解方法節省了運算時問，提升了運算效率及準確率。

5結論

（1）提出了一種對非平穩信號進行自適應分解對快速自適應局部均值分解方法，尤其對調制信號具有很好的分解效果。

（2）采用仿真信號和實驗信號對FALMD算法進行了驗證，證明算法可靠、有效、快速。

（3）將快速自適應局部均值分解方法應用到軸承故障診斷中，可以有效準確獲取故障特征信息。