基于LMD能量信號和1.5維譜的軸承故障分析

張 昭，杜冬梅

（華北電力大學能源動力與機械工程學院，北京102206）

基于LMD能量信號和1.5維譜的軸承故障分析

張 昭，杜冬梅

（華北電力大學能源動力與機械工程學院，北京102206）

為了更準確的診斷滾動軸承是否發生故障，提出了利用Teager能量算子求LMD分量能量信號，再做其1.5維譜的方法。局部均值分解（Local Mean Decomposition，簡稱LMD）算法分解得到一組乘積函數分量，每一個分量都可近似看作一個線性平穩的單分量信號。Teager能量算子可以追蹤信號瞬態能量，使故障沖擊成分突出。1.5維譜具有降低頻譜中高斯噪聲影響的作用。新的故障診斷方法結合了各方法的優點，能有效地提取滾動軸承故障信號的特征頻率及其倍頻。通過對實測滾動軸承外圈、滾動體、內圈故障信號的分析，有效地提取了各種故障的特征頻率，驗證了新方法在滾動軸承故障特征提取中的可靠性。

滾動軸承；故障；分析；局部均值分解；Teager能量算子；1.5維譜

0 引言

滾動軸承具有摩擦阻力小、起動靈敏、效率高、潤滑簡便和易于互換等優點，廣泛應用于旋轉機械中，是機械系統的重要組成部件。滾動軸承的良好運行狀態和運行壽命，關乎到整個機械系統的運行狀態和壽命。滾動軸承的主要失效模式有疲勞破壞和永久變形兩種［1］，一般都以凹坑的形式出現，當滾動體旋轉經過該缺陷時便會對系統形成一個脈沖沖擊。這些故障輕則使機械系統產生劇烈振動和噪聲，重則影響系統的壽命，產生巨大的經濟損失。

傳統的軸承故障診斷方法需先對共振頻率帶進行濾波，然后再進行包絡分析對軸承故障做出判斷。但是需要人工選擇濾波器的中心頻率和帶寬，對故障特征提取的準確性造成了一定的影響。近年來，有許多學者對軸承故障特征提取方法進行了研究，鄭紅等［2］采用譜峭度檢測振動信號的瞬態頻帶，利用最優帶通濾波器抑制振動噪聲，由帶通濾波器得到低頻信號，并用雙譜分析確定軸承故障的方法取得了良好的效果，但是，雙譜具有分辨率低的特點。陳略等［3］提出噪聲協助的經驗模式分解（EMD）與1.5維譜相結合的方法進行抗混分解，提取故障的微弱特征信息，但EMD自身端點效應問題給特征頻率的計算帶來了一定誤差。王天金等［4］提出基于Teager能量算子的頻譜分析方法，具有良好的時間分辨率和自適應能力。但當信號信噪比較低時，頻譜分析都容易淹沒在噪聲頻率中，給軸承故障診斷帶來困難。

為了準確得到軸承故障特征信息，本文提出基于局部均值分解（Local Mean Decomposition，簡稱LMD）能量信號和1.5維譜相結合的方法對軸承故障特征進行提取，通過對實測信號的軸承外圈、滾動體和內圈故障信號分析，驗證了該方法的準確性和有效性。

1 LMD原理

LMD方法的本質是將原始信號分解為若干個瞬時頻率具有物理意義的PF分量（Product Function，簡稱PF），每個PF分量由一個純調頻信號和一個包絡信號相乘得到，獲得純調頻信號和包絡信號的過程［5，6］如下。

（1）確定原始信號x（t）所有的局部極值點ni，計算相鄰兩個極值點ni和ni+1的平均值mi，即

將所有相鄰兩個極值點的平均值mi用直線連接，然后采用移動平均方法進行平滑處理，得到局部均值函數m11（t）。

（2）采用局部極值點ni計算包絡估計值

將所有相鄰兩個包絡估計值ai用直線連接，然后采用移動平均方法進行平滑處理，得到包絡估計函數a11（t）。

（3）將局部均值函數m11（t）從原始信號x（t）中分離出來，得到

（4）用h11（t）除以包絡估計函數a11（t）以對h11（t）進行解調，得到

理想地，s11（t）是一個純調頻信號，即包絡值為1。如果s11（t）不滿足條件，則將其作為原始信號返回上述過程，直到某一調頻函數s1n（t）的包絡值為1時停止。應用中，純調頻信號的包絡值不能準確的為1，可設置一個變動量Δ，當滿足1-Δ≤a1n（t）≤1+Δ時，停止迭代。

（5）把迭代過程中產生的所有包絡估計函數相乘便可以得到包絡信號

（6）將包絡信號a1（t）純調頻信號s1n（t）相乘便可以得到原始信號的第一個PF分量

（7）將第一個PF分量PF1（t）從原始信號x（t）中分離出來，得到一個新的信號u1（t），將u1（t）作為原始數據重復以上步驟，循環k次，直到uk為一個單調函數或常數為止。

最終原始信號可分解為若干個PF分量和一個殘余分量uk，即

因為LMD方法在求取信號上下包絡及均值時沒有采用三次樣條插值，其端點效應要大大的小于EMD方法，在故障信號分析中能夠更準確的反映信號所攜帶的信息。

2 LMD能量信號

定義非線性信號算子ψ［7～9］

LMD能量信號可以計算振動信號某一頻帶內組分的瞬時總能量，使瞬態沖擊成分更加突出，方便特征頻率的提取，同時還有計算量小、響應迅速的特點。

3 信號的1.5維譜

零均值平穩隨機過程x（t）的三階累積量和三階矩相等，三階累積量定義［10，11］為

式中:E表示期望運算；τ1，τ2表示不同的時間延遲。取τ1=τ2=τ，得到三階累積量的主對角切片

對c（t）進行一維傅里葉變換可得到x（t）的1.5維譜，即

1.5維譜為雙譜在一維頻率空間上的投影，由于零均值高斯噪聲的三階累積量值為零，因此1.5維譜相對于雙譜不僅計算量減小，還保留了雙譜對隨機噪聲的抑制作用和非二次相位耦合諧波的剔除能力。

對LMD能量信號求1.5維譜的方法同時結合了1.5維譜和Teager能量算子的優點，非常適用于沖擊成分的檢測中。其數學表達式為

式中:c3ψ（τ，τ）為PF（t）經過能量算子計算后的三階累積量對角切片，文中對LMD能量信號的1.5維譜通稱為1.5維能量譜。

4 實測信號分析

為了驗證新方法的有效性，對美國凱斯西儲大學軸承數據庫公開的故障數據進行分析，本文選取電機驅動端SKF6205-RS深溝球軸承數據。軸承節圓直徑39 mm，內圈直徑25 mm，外圈直徑52 mm，滾動體直徑7.94 mm。軸承缺陷為電火花加工的直徑為0.533 4 mm單點點蝕。信號采集時點蝕缺陷位于軸承外圈的最底部，采樣頻率12 kHz，分析點數6 000點，電機轉軸頻率（轉頻）29.95 Hz。軸承外圈、滾動體和內圈理論故障特征頻率分別是107.36，141.17和162.19 Hz。

軸承產生點蝕缺陷，滾動體轉經此處會產生一個沖擊力從而使系統產生一個很高的共振頻率。LMD算法是一種自適應的分解算法，分解結果為一組頻率從高到低自動排列的近似平穩的單分量信號。為了更快的對軸承故障特征進行提取，只取分解得到前兩個的高頻分量進行分析即可，為方便說明問題，文中只列出了故障特征頻率明顯的LMD分量的1.5維能量譜。

4.1 軸承外圈故障分析

外圈故障信號如圖1所示，經均值法濾波后，利用LMD算法分解得到4個PF分量。圖2（a）為PF1分量的1.5維能量譜，從中可以清晰地看到軸承轉軸頻率30 Hz及其2倍頻，外圈故障特征頻率108Hz及其轉頻調制頻率78 Hz和138 Hz，同時還可以看到其他一些二次相位耦合項的特征頻率。圖2（b）為PF2分量的1.5維能量譜，從中也可以清晰的看到軸承轉頻及其倍頻和外圈故障頻率。從圖2整體看故障信號各頻帶譜線都非常清晰，頻譜受噪聲干擾非常小，圖2（a）譜線基本不受所測信號中的噪聲干擾。

圖1 外圈故障信號

圖2 PF1分量和PF2分量的1.5能量譜

圖3為LMD求解PF1和PF2分量過程中產生的兩條包絡線直接做傅里葉變換求得的包絡譜。對比圖2和圖3，可以看到圖2譜線中帶狀噪聲的影響遠小于圖3中噪聲的影響，由此可見1.5維能量譜對噪聲干擾的抑制作用。

4.2 軸承滾動體故障信號分析

滾動體故障信號如圖4所示。經均值法濾波后，LMD算法得到3個PF分量，PF1的1.5維能量譜如圖5所示。圖中軸承轉頻及其倍頻都很清晰，故障頻率138 Hz也清晰可見，幅值卻沒有轉軸頻率及其倍頻突出，說明滾動體故障能量十分微弱，容易淹沒在其他周期成分或隨機噪聲中。圖6為PF1分量的LMD包絡線直接進行傅里葉變換得到的頻譜，從中可以看到轉軸頻率30 Hz及其倍頻很明顯，雖然也可以找到138 Hz成分，但其峰值高度并不突出，基本淹沒在其他峰值較小的頻率信號中，不能確定是故障頻率還是噪聲頻率。相比之下，PF1分量的1.5維能量譜在故障頻率周圍則沒有其他頻率成分，可以明確斷定該頻率即為滾動體故障特征頻率，進一步驗證了1.5維能量譜對噪聲干擾的抑制作用。

圖3 PF1和PF2分量的LMD包絡譜

圖4 滾動體故障信號

圖5 PF1分量的1.5維能量譜

4.3 軸承內圈故障信號分析

內圈故障信號如圖7所示，經均值濾波后做LMD分解得到3個分量。圖8為內圈故障PF1分量對應的1.5維能量譜。圖中29 Hz對應軸承轉軸頻率，59 Hz對應轉軸的2倍頻，軸承內圈故障特征頻率162 Hz及其部分轉頻調制頻率都非常突出，因此可以斷定該故障為內圈故障。圖9為利用LMD求解PF1過程中形成的包絡線直接做傅里葉變換求得的頻譜。圖8和圖9得到類似的結果。但是，圖9頻譜中噪聲對分辨特征頻率的影響明顯較圖8嚴重。

圖6 PF1分量的LMD包絡譜

圖7 內圈故障信號

圖8 PF1分量的1.5維能量譜

圖9 PF1分量LMD包絡譜

5 結論

（1）1.5維能量譜綜合了Teager能量算子可追蹤故障信號的瞬時能量，使沖擊成分更突出的特點和1.5維譜降低頻譜中高斯噪聲影響的優點。并通過實測信號分析，驗證了方法的有效性。

（2）LMD能量信號與1.5維譜結合可以有效地應用于滾動軸承故障信號的特征提取中，相對于傳統滾動軸承故障特征提取減少了人工干預，增加了診斷的準確性。

［1］ 楊可楨，程光蘊，李仲生.機械設計基礎（第五版）［M］.北京:高等教育出版社，2006.

［2］ 鄭紅，周雷，楊浩.基于譜峭度與雙譜的軸承故障診斷方法［J］.北京航空航天大學學報，2014，40（9）:1176-1182.

［3］ 陳略，訾艷陽，何正嘉，等.噪聲協助的EMD-1.5維譜信號抗混分解與特征提取［J］.振動與沖擊，2010，29（5）:26-30.

［4］ 王天金，馮志鵬，郝如江，等.基于Teager能量算子的滾動軸承故障診斷研究［J］.振動與沖擊，2012， 31（2）:1-5，85.

［5］ Smith J S.The local mean decomposition and its application to EEG perception data［J］.Journal of the Royal Society Interface，2005，2（5）:443-454.

［6］ 賈秀芳，安海清，張韶光，等.基于局部均值分解法的閃變包絡線提取方法［J］.華北電力大學學報（自然科學版），2014，41（3）:10-16.

［7］ 程軍圣，于德介，楊宇.基于EMD的能量算子解調方法及其在機械故障診斷中的應用［J］.機械工程學報，2004，40（8）:115-118.

［8］ 王曉龍.基于EEMD和Teager能量算子解調的故障診斷研究［J］.電力科學與工程，2013，29（3）: 18-22.

［9］ Zeng M，Yang Y，Zheng J D，et al.Normalized complex Teager energy operator demodulation method and its application to fault diagnosis in a rubbing rotor system［J］.Mechanical Systems and Signal Processing，2015，51-52:380-389.

［10］ 鐘先友，曾良才，趙春華.局域均值分解和1.5維譜在機械故障診斷中的應用［J］.中國機械工程，2013，24（4）:452-457.

［11］ 段向陽，王永生，蘇永生.切片雙譜分析在離心泵故障診斷中的應用［J］.振動、測試與診斷，2010，30（5）:581-584.

Analysis of Roller Bearing Fault Based on Energy signals of Local Mean Decomposition and 1.5 Dimensional Spectrum

Zhang Zhao，Du Dongmei
（School of Energy，Power and Mechanical Engineering，North China Electric Power University，Beijing 102206，China）

In order to diagnose the fault of roller bearing more accurately，this paper proposes a new method，which uses Teager operator to calculate the energy of local mean decomposition（LMD）production functions and then figures out each 1.5 dimensional spectrum of them.LMD decomposes the fault signal into a group of product functions，each component can be considered as a linear stationary mono-component.Teager energy operator may calculate the transient energy of the fault signal，which can have a marked impact on roller bearing fault previously. 1.5 dimensional spectrum can reduce the effect of Gaussian noise in frequency spectrum.The new method combines the advantages of these algorithms，so it can extract fault characteristic frequency and its frequency doubling effectively.Through analyzing the test signals of outer raceway，ball and inner raceway fault，the paper achieved their fault characteristic frequency effectively and proved reliability of this method using in roller bearing fault feature extraction

rollerbearing；faults；analysis；localmeandecomposition；Teagerenergyoperator；1.5 dimensional spectrum

TH133.33；TH17

A DOI:10.3969/j.issn.1672-0792.2015.05.002

2015-03-30。

中央高?；究蒲袠I務費專項資金資助項目（2014MS17）。

張昭（1990-），男，碩士研究生，研究方向為旋轉機械狀態監測與故障診斷，Email:z.zhang@ncepu.edu.cn。