復選降噪自適應型MCKD方法研究

張旭龍，姜宏，章翔峰，李軍，申勇

（新疆大學機械工程學院，烏魯木齊 830047）

軸承作為風機等旋轉(zhuǎn)機械正常運行的關(guān)鍵零部件，監(jiān)測其運行狀態(tài)及時檢修和維護，將極大增加設(shè)備生命周期。但通常低故障響應的軸承滾動體故障信號受噪音影響，有效成份被淹沒[1]使得提取特征有效性降低。故障診斷領(lǐng)域?qū)Ω咝Х治龇椒ǖ难芯恳恢笔请y點和熱點[2]。

常用的一些分析方法存在明顯不足：經(jīng)驗模態(tài)分解（Empirical mode decomposition，EMD）[3]、局部特征尺度分解（Local mean decomposition，LMD）[4]容易產(chǎn)出現(xiàn)模態(tài)混疊，局部特征的辨識和分解能力有限。小波多尺度分析在信號處理過程中不丟失原有數(shù)據(jù)，有很好局部化特征分析能力[5]。利用這一特性，黃僑等[6]實現(xiàn)撓度信號溫度效應分離，戴海亮等[5]實現(xiàn)數(shù)據(jù)干擾成份的剔除。小波方差能確定信號擾動強度和主周期[7]。峭度值能反應故障沖擊成份強弱，值越大機械運轉(zhuǎn)越偏離正常工況[8]，廣泛應用于故障信號有效分量篩選。McDonald 等[9]在最小熵解卷積（Minimum entropy deconvolution，MED）基礎(chǔ)上進一步改進提出最大相關(guān)峭度解卷積（Maximum correlation kurtosis deconvolution，MCKD），能對信號進行周期性分辨，在故障分析中能解卷積出周期性脈沖[10]。受背景噪聲干擾MCKD對指定周期沖擊信號增強和辨識能力有限、需要人為設(shè)定參數(shù)。潘洋洋等[11]提出互補集合經(jīng)驗模態(tài)分解（Complementary ensemble empirical mode decomposition，CEEMD）與改進最大相關(guān)峭度解卷積（Improve maximum correlation kurtosis deconvolution，IMCKD）相結(jié)合，對參數(shù)做預先設(shè)定的故障診斷方法，對MCKD做了一定程度優(yōu)化，但還是美中不足。

本文結(jié)合上述研究，提出一種復選降噪自適應MCKD方法。首先利用小波多尺度分解得到故障信號高頻分量，然后以峭度值最大準則復選出最優(yōu)高頻分量，最后結(jié)合小波方差自適應地確定MCKD參數(shù)。……