經驗小波變換在旋轉機械故障診斷中的應用

向 玲， 李媛媛

（華北電力大學 機械工程系，河北保定071003）

機械故障信號一般為非平穩、非線性、非高斯信號，目前常用的時頻分析方法主要包括短時傅里葉變換、Wigner－Ville分布、小波變換和經驗模態分解等.然而，在現代信號處理方法中，短時傅里葉變換一旦選定了窗函數，其時頻分辨率就固定不變了［1］，這不符合實際問題中高頻信號分辨率應比低頻信號分辨率高的要求.Wigner－Ville分布雖然具有很高的時域和頻域分辨率，但對于多分量信號，由于交叉干擾項的存在，其應用受到了很大的限制［2］.小波變換雖然有多分辨率（即多尺度）的特性，可以由粗及細地逐步觀察信號，但由于需要人為地選擇小波基，因此缺乏自適應性［3］.經驗模態分解（EMD）是Norden E Huang等在1998年提出來的，該方法可以將多分量的非平穩信號自適應分解為多個本征模態函數（IMF）分量，對單個分量進行Hilbert變換即可得到瞬時頻率以及瞬時幅值.但是EMD 方法仍然存在許多問題，如過包絡、欠包絡、模態混疊和端點效應等［4－6］.經驗小波變換（EWT）是Gilles［7］提出的一種新的信號處理方法，該方法對信號的傅里葉頻譜進行劃分，并建立一組小波濾波器組對劃分過的頻譜進行濾波得到一組單分量成分，與EMD 方法一樣，其對每個單分量成分進行Hilbert變換即可得到瞬時頻率和瞬時幅值，具有較大的應用價值.

為了驗證所提出的經驗小波變換的有效性，筆者針對仿真信號和轉子系統實驗故障信號將EWT方法與EMD 方法進行了比較研究，EWT 方法能準確地分析機械故障信號，故障特征值明顯，為旋轉機械故障診斷提供了一種新的手段.

1 經驗小波變換

經驗小波變換實際上就是對信號的傅里葉頻譜進行劃分，并建立一組適合待處理信號的小波濾波器.首先，對信號的傅里葉頻譜進行劃分，規定規范化的信號傅里葉頻譜的頻率范圍為［0，π］.假設信號由N 個單分量成分組成，找到頻譜圖中的極大值，假設極大值個數為M，將這些極大值降序排列，則存在2種情況［7－8］：

（1）M≥N.此時該算法找到了足夠的極大值，保留前N 個極大值.

（2）M＜N.此時信號包含的單分量個數小于期望的分量個數N，保留所有的極大值，并且對N 值進行重置.

綜合考慮上述2 種情況并確定極大值個數之后，將頻率范圍為［0，π］的傅里葉頻譜劃分成N 個連續的區間，那么就需要確定N＋1條邊界線，其中0和π分別為第一條和最后一條邊界線，另外還需要再確定N－1條邊界線.過ωn所在點作相鄰2個區間的分界線，那么每一段可表示為Λn＝［ωn－1，ωn］，n＝1，2，…，N（ω0＝0，ωN＝π），其中，ωn為2個連續 的 極 大 值 的 中 點，由 此 可 知∪Nn＝1Λn＝［0，π］［9－10］.具體劃分情況見圖1，其中陰影部分表示以ωn為中心，寬度為2τn的過渡段，τn＝γωn，γ為系數.

圖1 傅里葉坐標系分割圖Fig.1 Partitioning of the Fourier axis

在確定分割區間Λn后，對其加小波窗，根據Meyer小波的構造方法，定義經驗尺度函數和經驗小波函數分別為：

其中，γ ＜minn［ωn＋1－ωn／ωn＋1＋ωn］，β（x）＝x4（35－84x＋70x2－20x3）.

根據經典小波變換的構造方法構造經驗小波變換，細節系數和近似系數［11］分別為：

進行信號重構，重構結果如式（5）所示.

由以上公式得到經驗模態函數fk，可由式（6）和式（7）表示：

2 仿真信號分析

為了驗證EWT 方法的有效性，并與EMD 方法進行簡單的對比研究，首先對含隨機噪聲（式（8））的仿真信號x（t）進行分析處理，圖2為該仿真信號的時域波形圖.

圖2 仿真信號x（t）的時域波形圖Fig.2 Time wave form of the signal x（t）

該仿真信號由一個調幅調頻信號，一個頻率為20Hz的sin信號以及一個標準差為0.25的隨機噪聲信號組成，分別利用EMD 方法和EWT 方法對該仿真信號進行時頻分析，結果見圖3和圖4.

圖3 仿真信號x（t）的EMD分解結果Fig.3 EMD result generated from the signal x（t）

圖4 仿真信號x（t）的EWT 分解結果Fig.4 EWT result generated from the signal x（t）

由圖3和圖4可知，由于仿真信號存在隨機噪聲，EMD 方法分解得到的前2個分量對應仿真信號中100Hz的調幅調頻分量，模態混疊嚴重，信號分量不易辨識.而EWT 方法分解得到的前2個分量分別對應該仿真信號中100 Hz的調幅調頻分量和20Hz的sin信號分量，且分量波形清晰，不存在混疊現象.通過對比發現，EMD 方法和EWT 方法均能對調幅調頻信號進行分解，但是EMD 方法分解層數明顯多于EWT 方法，且模態混疊現象嚴重，分解得到的殘余分量比EWT 方法得到的殘余分量波動大，提取的故障特征也沒有EWT 方法明顯.

3 實驗信號分析

為了模擬轉子故障信號，采用Bently模擬轉子實驗臺作為模擬旋轉機械故障的裝置.Bently RK－4轉子平衡實驗臺能夠模擬實際的轉子工況，因而能夠模擬轉子不平衡、轉子碰磨和油膜渦動等故障.同時，采用ZonicBook／618E作為信號采集設備.

3.1 轉子不平衡

轉子不平衡實驗采用渦流傳感器，傳感器布置情況為：圓盤兩側各2個，且呈90°夾角，鍵相傳感器1只.在圓盤上渦流傳感器之間45°角處加試重1g，調整轉子的轉速達到3 500r／min，測試不平衡振動.設置采樣頻率為1 280 Hz，通過數據采集設備，任意選取故障數據中的1 000個點，分析比較采集到的數據.

圖5給出了轉子不平衡信號的時域和頻域圖.由圖5可知，轉子不平衡［12］信號的時域波形為正弦信號的疊加，而在頻譜圖中，出現了58.88 Hz的基頻分量和二倍頻、三倍頻等高頻分量，但是倍頻成分幅值都比較小，因此采用傅里葉變換（FFT 變換）不能充分證明故障是否發生.

圖6和圖7分別為EMD 方法和EWT 方法對轉子不平衡信號分析處理的結果.從圖6和圖7可以看出，轉子不平衡信號的基頻為58.88 Hz，但在EMD 時頻圖中，基頻成分存在調制現象，在0～0.6 s內模態混疊現象也比較嚴重.與EMD 時頻圖相比，EWT 時頻圖的頻率值更清晰，二倍頻成分被清楚地分解出來，模態混疊現象明顯減輕，且端點效應也得到一定的抑制，故障特征明顯.由此證明EWT方法故障特征提取效果顯著.

圖5 轉子不平衡信號的時域和頻域波形Fig.5 Time and spectral diagram of rotor unbalance signals

圖6 轉子不平衡信號的EMD方法時頻圖Fig.6 Time－frequency spectrum of rotor unbalance signals based on EMD

圖7 轉子不平衡信號的EWT 方法時頻圖Fig.7 Time－frequency spectrum of rotor unbalance signals based on EWT

3.2 轉子碰磨

轉子碰磨實驗采用渦流傳感器，傳感器布置如下：圓盤兩側各2 個，且呈90°夾角，鍵相傳感器1只.調整轉子的轉速達到1 790r／min，固定塑料棒與軸的位置不變，用塑料棒與軸進行全周碰磨.設置采樣頻率為1 280 Hz，通過數據采集設備，任意選取故障數據中的1 000 個點，分析比較采集到的數據.

圖8為轉子碰磨信號的時域和頻域圖.由圖8可以看出，轉子碰磨［13］信號的時域波形為正弦信號的疊加，而在頻譜圖中，出現了30Hz的基頻分量和二倍頻、三倍頻等高頻分量，但是倍頻成分幅值都比較小，不易從頻譜圖中分辨出來，因此采用FFT 變換不能充分證明故障是否發生.

圖8 轉子碰磨信號的時域和頻域波形Fig.8 Time and spectral diagram of rotor rubbing fault signals

圖9 和圖10分別為EMD 方法和EWT 方法對轉子碰磨信號分析處理的結果.從圖9和圖10可以看出，轉子碰磨信號的基頻為30 Hz，但在EMD 時頻圖中，基頻成分存在調制現象，模態混疊現象也比較嚴重.而EWT 時頻圖的頻率值更加清晰，二倍頻、三倍頻等轉子碰磨故障頻率成分也被成功地分解出來，譜線清晰，模態混疊現象明顯減輕，且端點效應也得到一定程度的抑制，提取得到的故障特征非常明顯.由此證明EWT 方法效果顯著.

圖9 轉子碰磨信號的EMD方法時頻圖Fig.9 Time－frequency spectrum of rotor rubbing fault signals based on EMD

圖10 轉子碰磨信號的EWT 方法時頻圖Fig.10 Time－frequency spectrum of rotor rubbing fault signals based on EWT

3.3 油膜渦動和油膜振蕩

油膜渦動故障發生時，會產生頻率值為轉子基頻0.43～0.48倍的油膜渦動故障頻率，且軸心軌跡呈內8字形.此時如果轉子的轉速繼續升高，并且達到轉子第一階臨界轉速的2倍以上，油膜渦動故障頻率就會達到第一階臨界轉速，從而產生共振，振幅驟增，達到甚至超過基頻振幅，從而發生油膜振蕩［14］，此時由于轉子振動劇烈，軸心軌跡雜亂，同時還會引起動靜部件摩擦、轉子熱彎曲和瓦面碎裂等，具有較大破壞力.

3.3.1 油膜渦動

油膜波動實驗采用渦流傳感器，傳感器布置如下：軸中部、油軸承上各2個，呈90°夾角，鍵相傳感器1只.通過調節油泵、預緊力支架和調速電機控制器，使轉子的轉速達到3 500r／min，從而產生油膜渦動.設置采樣頻率為1 280 Hz，通過數據采集設備，任意選取故障數據中的1 000個點，分析比較采集到的數據.

圖11給出了油膜渦動信號的時域圖、頻域圖和軸心軌跡.由圖11可知，油膜渦動故障信號的時域波形為正弦信號的疊加，在頻域圖中，出現了58.88 Hz的基頻分量和略低于二分頻的頻率為28 Hz的油膜渦動故障頻率，且故障頻率幅值較基頻幅值略低，與此同時，還出現了故障頻率的三倍頻.轉子的軸心軌跡為內8字形狀，大圈套小圈，由此可以判斷為油膜渦動故障.但是僅憑頻域圖無法準確判斷是否發生該故障.

圖12和圖13分別為EMD 方法和EWT 方法對油膜渦動信號分析處理的結果.從圖12 和圖13可以看出，油膜渦動故障頻率為28 Hz，但是EWT方法還分解得到了信號的基頻58.88 Hz，且EWT方法時頻圖譜線較EMD 方法時頻圖譜線清晰，模態混疊現象明顯減輕，調制現象減弱，故障特征值明顯，故障診斷效果顯著.

圖11 油膜渦動信號的時域圖、頻域圖和軸心軌跡Fig.11 Time wave form，spectral diagram and axis orbit of oil whirl signals

圖12 油膜渦動信號的EMD方法時頻圖Fig.12 Time－frequency spectrum of oil whirl signals based on EMD

圖13 油膜渦動信號的EWT 方法時頻圖Fig.13 Time－frequency spectrum of oil whirl signals based on EWT

3.3.2 油膜振蕩

通過調節油泵、預緊力支架和調速電機控制器，使轉子的轉速達到6 500r／min，從而產生油膜振蕩［15］.設置采樣頻率為1 280 Hz，通過數據采集設備，任意選取故障數據中的1 000個點，分析比較采集到的數據.

圖14給出了6 500r／min油膜振蕩信號的時域圖、頻域圖和軸心軌跡.從圖14可以看出，油膜振蕩信號的時域波形為正弦信號的疊加，而在頻譜圖中出現了108Hz的基頻分量和略低于二分頻的頻率為41Hz的油膜振蕩故障頻率，且故障頻率幅值較基頻幅值高；同時，轉子的軸心軌跡雜亂無章，顯然已經發生了油膜振蕩.但是單純從頻譜圖是無法判斷故障是否發生的.

圖14 油膜振蕩信號的時域圖、頻域圖和軸心軌跡Fig.14 Time wave form，spectral diagram and axis orbit of oil film vibration signals

圖15 和圖16分別為EMD 方法和EWT 方法對6 500r／min油膜振蕩信號分析處理的結果.從圖15和圖16可以看出，故障頻率為41 Hz，但是通過對比發現，EWT 方法還分解得到了信號的基頻（108Hz）以及故障頻率的二分頻，且EWT方法時頻圖譜線比EMD 方法時頻圖譜線清晰，模態混疊現象明顯減輕，且端點效應也得到一定的抑制，故障特征值明顯，故障診斷效果顯著.

圖15 油膜振蕩信號的EMD方法時頻圖Fig.15 Time－frequency spectrum of oil film vibration signals based on EMD

圖16 油膜振蕩信號的EWT 方法時頻圖Fig.16 Time－frequency spectrum of oil film vibration signals based on EWT

4 結 論

本文提出了一種基于經驗小波變換（EWT）的信號處理方法，針對仿真信號與轉子系統實驗故障信號對EWT 方法與EMD 方法的性能進行了比較研究.結果表明，EWT 方法分解得到的故障頻率成分明顯多于EMD 方法，且各頻率成分清晰明確，調制現象和端點效應有所減弱，避免了模態混疊效應，提取的故障特征值明顯，能夠有效地分析機械故障信號.并且，EMD 方法分解得到的IMF分量總是明顯多于信號本身所包含的分量，存在許多虛假分量，而EWT 方法分解得到的分量成分與信號所包含的分量成分數量一致，這在一定程度上減少了計算量，縮短了計算時間.該方法為旋轉機械故障診斷提供了一種新的手段.

［1］ 張曄.信號時頻分析及應用［M］.哈爾濱：哈爾濱工業大學，2006.

［2］ 向玲，唐貴基，胡愛軍.旋轉機械非平穩振動信號的時頻分析比較［J］.振動與沖擊，2010，29（2）：42－45.XIANG Ling，TANG Guiji，HU Aijun.Vibration signal＇s time－frequency analysis and comparison for a rotating machinery［J］.Journal of Vibration and Shock，2010，29（2）：42－45.

［3］ YEH Poliang，LIU Peiling.Application of the wavelet transform and the enhanced Fourier spectrum in the impact echo test［J］.NDT and E International，2008，41（5）：382－394.

［4］ 向玲，楊世錫，唐貴基，等.汽輪發電機組軸系扭振的時頻特征分析［J］.動力工程學報，2011，31（9）：649－654.XIANG Ling，YANG Shixi，TANG Guiji，et al.Time－frequency analysis on torsional vibration of turbo－generator shafts［J］.Journal of Chinese Society of Power Engineering，2011，31（9）：649－654.

［5］ LOH C H，WU T C，HUANG N E.Application of the empirical mode decomposition－hilbert spectrum method to identify near－fault ground－motion characteristics and structural responses［J］.Bulletin of the Seismological Society of America，2001，91（5）：1339－1357.

［6］ 孟宗，顧海燕，李姍姍.基于神經網絡集成的B樣條經驗模態分解端點效應抑制方法［J］.機械工程學報，2013，49（9）：106－112.MENG Zong，GU Haiyan，LI Shanshan.Restraining method for end effect of B－spline empirical mode decomposition based on neural network ensemble［J］.Journal of Mechanical Engineering，2013，49（9）：106－112.

［7］ GILLES J.Empirical wavelet transform［J］.IEEE Transactions on Signals Processing，2013，61（16）：3999－4010.

［8］ GILLES J.TRAN G，OSHER S.2D empirical transforms，wavelets，ridgelets and curvelets revisited［J］.SIAM Journal on Imagine Sciences，2014，7（1）：157－186.

［9］ 陳浩，郭軍海，齊巍.基于經驗小波變換的目標加速度估計算法［J］.北京航空航天大學學報，2015，41（1）：154－159.CHEN Hao，GUO Junhai，QI Wei.Estimation of target＇s acceleration based on empirical wavelet transform［J］.Journal of Beijing University of Aeronautics and Astronautics，2015，41（1）：154－159.

［10］ FRANCIS A，MURUGANANTHAM C.empirical wavelet transform and its application［J］.International Journal of Electrical，Electronics and Communication Engineering，2015，1（1）：1－3.

［11］ FRANCIS A，MURUGANANTHAM C.An adaptive denoising method using empirical wavelet transform［J］.International Journal of Computer Applications，2015，117（21）：18－20.

［12］ 熊慧英，何潔，嚴愛芳.煙氣輪機轉子不平衡故障診斷研究［J］.噪聲與振動控制，2008（5）：86－90.XIONG Huiying，HE Jie，YAN Aifang.Imbalance fault diagnosis of gas turbine rotor［J］.Noise and Vibration Control，2008（5）：86－90.

［13］ 胡三高，安宏文，馬志勇，等.基于小波奇異值分析的汽輪機碰磨特征提取［J］.動力工程學報，2013，33（3）：184－188.HU Sangao，AN Hongwen，MA Zhiyong，et al.Feature extraction of rubbing fault for steam turbines based on wavelet singularity analysis［J］.Journal of Chinese Society of Power Engineering，2013，33（3）：184－188.

［14］ 劉卜瑜.基于二次EEMD 的WVD 算法及在振動信號分析中的應用［D］.秦皇島：燕山大學，2011.

［15］ 唐貴基，向玲，朱永利.基于HHT 的旋轉機械油膜渦動和油膜振蕩故障特征分析［J］.中國電機工程學報，2008，28（2）：77－81.TANG Guiji，XIANG Ling，ZHU Yongli.Fault analysis of oil whirl and oil whip based on Hilbert－Huang transform for rotor system［J］.Proceedings of the CSEE，2008，28（2）：77－81.