小波分析技術在礦山機械軸承故障檢測中的應用

鄧海輝

（江西銅業集團（德興）實業有限公司，江西 上饒 334224）

為解決礦山機械設備軸承的故障問題，在科研人員的不斷探索中提出了多種檢測方式，包括聚類檢測以及神經網絡檢測方式等，但由于原有方法在實際工作中無法對復雜工況進行定點，產生的噪點信息會影響數據的采集結果，雖然能夠對故障點位置進行定位，但最終效果不佳。隨著技術信息的不斷發展，在小波分析技術的使用原理下，能夠對工作環境中的噪點進行直接剝離，從功率譜和能量譜的分析方式中能夠直接對采集的范圍進行領域解調，從復雜的振動信號中分離出噪點信息數據，非常適用于礦山的復雜生產環境。因此本文在小波分析技術的基礎上，研究礦山機械軸承的故障檢測方法，為解決定位噪聲信息點的偏移問題，提出科學的理論依據，為礦山的穩定運行提供保障。

1 礦山機械軸承故障檢測

1.1 提取礦山機械軸承運轉數據

對礦山運轉的機械軸承進行實時數據采集，對出現的故障信號進行提取，由于礦山開采過程中機械軸承的生產周期會產生噪聲，因此在該背景下采集到的有效數據無法直接完成故障定位，需要進行故障信號點的有效特征提取。機械軸承運轉設備在常態下，能夠采集到的數據信號非常微弱，所以對故障信號中特征點就更加微弱，需要在軸承的運轉特點中，進行在線數據分析，完成故障信號的有效識別，以此作為準確斷定軸承運轉狀態的檢測基礎。

礦山開采過程中機械軸承的運轉狀態受多種因素影響，其中以巖層厚度作為主要抗力，在不同的開采巖層內其轉速標準設定不一致。根據礦山工作的地質區域，在機械軸承的運轉振動荷載中建立數據庫，對所有產生的數據類型進行采集。在數據庫中加入儀器振動處理裝置，分別設置影響轉動軸承的運轉速度指標，按照其特征進行區分，主要包括軸承的齒輪擦傷和腐蝕數據，以及零件剝落或者斷裂數據等，通過不同程度的損傷情況，進行采集數據的有效分類，按照不同組別進行儲存。在此基礎上設置故障信號的輸出通路，在不同類別的故障數據中接入小波分析技術，利用存在的微弱信號進行轉動閾值計算，建立機械軸承運轉過程中的故障繪制圖像模型，完成不同類別的數據分解，去除背景噪點進行故障點定位即可。

1.2 基于小波分析計算轉動閾值

機械軸承的運轉過程會產生振動信號，存在豐富的頻率能量成分，當軸承產生故障時，不同類型的振動頻率會發生特性改變，會存在明顯被抑制的信號成分，促使該頻段信號的能量被削減，而其與運行信號受噪聲影響會增加能量，對進行故障特征的提取產生影響。通過小波分析在多層分解不同頻段的能量后，將不明顯的頻段運動能量喜好以頻率特征顯示出來，實現對故障特征信息的提取，在選擇正常情況表等運轉頻率進行比較，完成對機械軸承的故障檢測。

設置機械軸承的振動信號為q(i)，在經過小波分解后能夠得到小波系數，每個層級k內的小波分解數據存在能量值Wk，在不同的頻率狀態下，計算各層級的頻率能量值，表達式為：

式中，需要進行小波技術分析的數據信號用i來表示；在每個通路中采集到的數據總數為m個；在小波分析技術解得的數據系數用ik,t來表示；每個層級的小波能量值可以組成數據組，用G來表示。將每個層級內的小波能量按照頻段高低進行排序，在對G進行反轉后能夠得到G′。定義該向量的最大搜索引值數據集合為H，其對應的能量頻率值為WG，按照轉軸的正常運轉情況，設置最大的最大搜索引值和能量頻率值，分別為H1和WG1，其中H大于H1時，若WG明顯大于WG1則表示該機械轉軸中存在故障。

1.3 能量譜分解信號噪點定位故障點信息

通過對各采集點的運轉數據閾值，將所有信號轉換為能夠進行小波變換的信號點，利用能量譜分解方式進行噪點信號的分離，將具有特性的信號集中處理，得出機械軸承運轉中產生故障的具體位置。在通過尺度變化中不同信號存在區別，能量譜分離是在小波變換的基礎上，將數據信號進行重建，從而對有效的數據在噪聲背景下進行提取定位。

小波技術在信號去噪領域的應用非常廣泛，閾值去噪是最簡單的去噪方法，且效果較為明顯，主要是閾值可以選擇不同的數值進行去噪，直接將影響定位效果的噪聲去除。根據計算所得的轉動閾值，將能量譜變化分解過程中分為三個步驟：一是對轉動信號進行層次分解，即在小波結構中將高頻系數值設置為0，選擇一個小波能夠確定的分解層次，過濾掉高頻出現的數據信號值，將其信號圖形變得較為平滑。二是將高頻系數閾值進行量化，對處在不同層次的高頻系數完成分解尺度選擇，利用經驗公式中的默認閾值進行比較，在實際去噪過程中，對于比閾值大或小的信號均設置為0，進行信號的重組。三是在分解的多個層級內，在小波的最低層級中找到低頻系數，以其為基礎將和各層的高頻系數進行比較，此時大于基礎層的閾值系數為歸置項，將兩者差值作為下一層級的啟動信號，依次確定剩余層次的小波閾值。

總體上不同層次的能量譜，在選擇量化閾值的過程中，直接對不同維度的離散信號進行選擇，在某種程度上高頻信號的數據，會影響整個層級的分解精密度，因此要對不同層級的噪點數據進行確定，保證去除信號的噪點質量。低頻分布影響能量譜分解的最底層，高頻分布影響能量譜分解的第一層，如果想對一個空白噪點進行去除，可以直接對高頻系數的幅值進行分解。主要是因為高頻層級會隨著分解層數的增加，所得閾值系數會迅速衰減。至此在提取礦山機械軸承的運轉數據基礎上，運用小波分析技術計算轉動閾值，通過能量譜分解信號噪點進行故障點信息定位，完成礦山機械軸承的故障檢測方法設計。

2 實驗結果分析

為驗證此次設計的故障檢測方法具有實際應用效果，能夠在礦山機械軸承檢測中定位故障點，采用實驗測試的方式進行論證。選擇某省正在開采的礦山進行測試環境搭建，以兩組歷史發生過故障的機械軸承為測試對象，其常態運行轉速分別為120m/s和140m/s。采集軸承原有運轉記錄，分別對兩組設備進行轉速統計，將數據結果導入至MATLAB測試平臺中，表1為2021年12月24日該軸承的運轉數據。

記錄時間 A1組機械軸承 A1組機械軸承08:00 200 200 10:00 180 160 12:00 160 150 14:00 140 140 16:00 120 100 18:00 100 80 20:00 80 80 22:00 80 80 24:00 80 80 02:00 80 80 04:00 80 80 06:00 80 80

根據表中內容所示，對于兩組機械軸承共運行了24h，每個數據采集間隔為2h，在起始狀態中轉速能夠達到200m/s，隨著工作運轉時間的增加，其運轉速度會逐漸下降。在其運轉速度達到80m/s的狀態時，轉速不再發生變化，表示軸承發生故障，需要對工況下的軸承進行監測，使發生故障的機械軸承停止運轉，以此切換礦山開采的機械軸承。

一旦檢測的故障點出現偏移，會導致錯誤關閉設備，影響礦山的開采速度，其中軸承轉速在達到85m/s時，為其發生故障的臨界點，若在此時檢測出軸承的故障位置，能夠提升機械轉軸的使用壽命。檢測開始前引入兩組傳統檢測方法進行對比，分別將三組方法連接到測試平臺中，對上述采集到的數據進行檢測，具體結果如圖1所示。

圖1 兩組機械軸承故障檢測效果對比

根據圖中內容所示，在三組檢測方法下對兩組機械轉軸的定位效果不一致，本文方法能夠在軸承轉速，下降至臨界點時便可以檢測出故障點位置，完成機械軸承的切換使其停止運轉。而兩組傳統方法雖然能夠檢測出故障點位置，但是存在兩個弊端：一是故障點檢測的位置偏后，需要在多次定位后才能完成設備切換，對后續的機械軸承工況造成影響。二是故障點的檢測轉速離臨界點過遠，在此狀態下轉軸長時間運轉會減少使用壽命。綜合結果來看，本文檢測方法能夠對故障點位置進行及時定位，且在降至臨界點前完成準確標記，轉換工作機械軸承，具有實際應用效果。

為進一步檢驗本次設計方法的有效性，選擇A1組機械軸承作為對比對象，分別運用三組方法進行多輪檢測，統計定位后的軸承運轉速度。該軸承在正常運轉下進行為其20天的工況設計模擬，發現第20天的起始轉速下降至120m/s，若持續進行工作在第3個運行階段會發生故障，仍以85m/s作為臨界點，多組故障運轉速度檢測結果如表2所示。

表2 不同方法下故障軸承轉速統計結果（m/s）

根據表中結果可知，本文監測檢測方法可以在，機械軸承運轉速度到達臨界點時，及時標記并完成設備切換，而兩組傳統方法基本上，是在發生故障后進行轉速值檢測，可能會引起安全事故的發生。綜合結果來看本文方法更具有優勢，能夠保證礦山開采工作的穩定運行，維護設備的使用壽命。

3 結語

本文在分析小波技術的優勢上，對實際礦山生產的機械軸承運轉數據進行提取，計算機械軸承的轉動閾值，利用能量譜分解數據信號，通過數據圖像噪點定位故障點信息，完成礦山機械軸承設備的故障檢測方法設計。實驗結果表明：在本文方法的應用下，選擇兩組常態運轉的礦山機械軸承，分別對其故障臨界點進行監測，能夠及時對發生故障的設備進行切換，保證礦山開采的正常運轉。但由于本人時間有限，在測試環節中只能對單一方面進行測試，所得結果具有一定偏差性。后續研究中會針對機械軸承的不同運轉狀態進行檢測，為設計出更加科學的檢測方法提供理論支持，保證礦山行業的穩定發展。