滾動軸承振動信號處理方法綜述

胡智勇,胡杰鑫,謝里陽,佟安時,張嘯塵

(1.東北大學 航空動力裝備振動及控制教育部重點實驗室,遼寧 沈陽 110819;2.東北大學 現代設計與分析研究所,遼寧 沈陽 110819)

滾動軸承振動信號處理方法綜述

胡智勇,胡杰鑫,謝里陽,佟安時,張嘯塵

(1.東北大學 航空動力裝備振動及控制教育部重點實驗室,遼寧 沈陽 110819;2.東北大學 現代設計與分析研究所,遼寧 沈陽 110819)

針對軸承振動信號處理的各種方法進行了全面綜述,研究了軸承振動信號處理的時域分析法和頻域分析法,指出時域參數的具體用法和適用范圍,以及各種頻域分析方法的優缺點;闡述了時頻分析方法,該方法克服了時域與頻域分析不能反映信號局部特征的缺陷,且對非平穩的故障信號有較強的處理能力;介紹了一些特殊的分析方法,對一些具體的軸承振動信號問題有較好的處理效果.分析現有的軸承振動信號處理方法,表明各種分析方法取長補短綜合運用以及新技術、新理論的應用,將會是軸承振動信號處理方法未來的發展方向.

滾動軸承; 信號處理; 振動; 時域分析; 頻域分析

滾動軸承是一種將轉軸與軸座之間的滑動摩擦轉變為滾動摩擦的精密機械元件.由于加工或安裝誤差,以及服役過程中的疲勞、磨損、腐蝕等,都將會使軸承產生振動,直接影響整個轉動系統的轉動精度與平穩性,甚至會引發嚴重的機械事故.因此,有必要對軸承的運行狀態進行監測,以便及時發現問題,避免產生嚴重的后果,從而可以降低故障發生率,減少維修費用,提高經濟效益.由此可見,研究軸承故障監測與診斷的振動信號處理方法十分必要.

軸承發生局部缺陷時,會以一定頻率產生一系列帶寬沖擊和沖擊衰減響應,表現為復雜的調幅振動;由于缺陷位置不同,振動特性也不完全相同[1,2].對軸承振動信號的處理來研究軸承運行狀態,是一種非常有效的檢測、診斷方法.

國際上,美國學者是最早進行滾動軸承故障診斷研究的,提出了用加速度傳感器來采集振動信號進行檢測.英國人Dyer采用峭度系數法、Taylor提出尺寸故障計算方法、Randall采用倒頻譜分析、Mathew采用共振解調法和AR模型等對軸承故障監測進行的研究也都取得了成果.小波變換在信號處理方面的優越性,使其在軸承故障診斷中得到應用廣泛;最小熵反卷積與譜峭度結合,可有效地對軸承微弱故障進行檢測[3-5].一些新的方法,如Hilbert-Huang變換(經驗模態分解方法)、分型理論、局部值分解法等,也都應用在滾動軸承故障中.

國內軸承診斷技術起步較晚,起初主要是學習國外的先進理論與方法,近年來滾動軸承信號處理方法也有了較大的發展.李昊[6]在研究小波變換消噪性能的基礎上,提出了一種小波循環自相關函數分析算法,應用在了滾動軸承振動信號的處理.陳曉平等[7]闡述了利用小波閾值消噪技術和小波包特征提取方法在滾動軸承振動信號處理中的應用,大幅度提高了信噪比,同時也提高了特征信息的靈敏度和分辨率.李毓輝等[8]結合滾動軸承故障信號譜結構的先驗知識,提出了一種半盲均衡方法,實現了盲均衡器參數的優化,實驗數據驗證了該方法的有效性.

1 滾動軸承振動機理

滾動軸承振動是由外部振源或軸承損傷引起的,潤滑劑在軸承運轉時產生的流體動力也可以是振源.在研究滾動軸承振動信號過程中,主要研究軸承因損壞而產生的振動,損傷原因主要有磨損、腐蝕、疲勞等.

軸承的磨損主要發生在滾道與滾動體之間,原因可能有異物進入、載荷沖擊、潤滑不良等.磨損會使軸承的游隙、表面粗糙度增大,旋轉精度降低,同時也會加劇軸承磨損,在振動方面主要表現為振動幅度增大、產生噪聲.工作表面損傷后,損傷點受力時會產生突變的沖擊力,其較寬的信號頻帶會覆蓋軸承系統高頻處的固有頻率,引起系統簡諧振動[9].

損傷引起的振動有兩種類型:一種是由軸承損傷點處受到反復撞擊而產生的,其頻率與軸承的性質有關;另一種是因損傷沖擊而誘發的高頻固有振動[10].

2 信號處理方法

2.1 時域分析法

時域分析是根據信號的時間歷程記錄波形,分析信號的組成和特征量,從而在時間坐標軸上顯示出振動信息的方法,包括時域波形分析和時域參數值分析.滾動軸承的振動監測,一般采用加速度計來采集振動信號的時域波形.

時域波形作為原始波形,保留了最全面、最完整的信息,為防止有用信息的丟失,在進行分析時不加處理,直接進行觀察.

在時域分析方法中,信號的基本統計特征和信號的概率分布特征在軸承的故障監測與診斷中起到很大的作用.其中,應用較為廣泛的時域指標包括峰值、有效值、峰值指標、脈沖指標、裕度指標、峭度系數等.

峰值:反映振幅的最大值,可能是由于點蝕而引起振動沖擊,是用于監測軸承點蝕的時域指標;同樣,比值形式的脈沖指標、裕度指標和峰值指標分子均為峰值,同樣可以根據其值的變化來監測點蝕.

有效值:反映振幅隨時間的緩慢變化,而磨損也是一種由緩及重的變化過程,因此可以用來檢測軸承的磨損程度.

峰值指標:峰值與有效值的比,當出現點蝕產生損傷時,峰值加大,而有效值變化緩慢,其指標值增加,后又因有效值的增大,比值減小,由此可以判斷軸承是否發生故障.

峰值、脈沖指標、裕度指標等是對軸承早期故障敏感的參數,在早期軸承監測中,其值變化較大;有效值因變化不太明顯,不適合早期的軸承故障診斷,但其較好的穩定性,與前三個參數相結合,也可以很好地進行軸承的故障監測與診斷.

峭度系數K,表示樣本密度函數的頂峰凸平度和觀測值的分散程度,可以分為正峭度(K>3)、零峭度(K=3)和負峭度(K<3),此參數不適合軸承晚期的故障診斷.

時域分析方法中,峰值與峭度系數等均為無量綱特征參數,克服了軸承及其工作特性的影響.整體來說,時域分析法的處理過程不會使信號發生畸變或損失,使用最原始資料進行軸承的故障診斷;時域分析法不受信號的絕對水平的影響,不論測點是否有變動,對信號處理的結果影響不大.時域法適合于軸承故障監測的早期診斷,并且時域分析法的精密程度不夠好.

2.2 頻域分析法

滾動軸承的頻域分析法較時域分析法精密度要高,其原理是將時域信號變換到頻域中,根據頻譜分析來對軸承進行監測.在軸承振動信號提取過程中會混入大量的背景噪聲,這會對頻譜分析產生不利的影響,因此需要先進行濾波處理,提高信噪比.頻域分析法的理論基礎是傅里葉變換法,常用的具體方法有倒頻譜分析、共振解調技術和譜峭度法.

倒頻譜分析法也稱為二次頻譜分析,是在倒頻譜上識別軸承振動信號頻率組成分量的方法.具體方法是將功率譜的對數值進行傅里葉變換,把復雜的卷積關系轉變為簡單的線性疊加.倒頻譜分析抗傳遞途徑的干擾能力強,即所測得的信號受信號的傳播路徑影響小,可以較為真實地反映振源的特性.但倒頻譜分析對于軸承出現多點損傷時的監測有一定的盲目性,可能會降低診斷精度.

共振解調技術的具體原理為:當軸承的工作表面出現損傷時,損傷點的接觸動作會產生很大的沖擊脈沖力,脈沖的帶寬覆蓋于軸承系統的整個固有頻率,會引起系統的固有振動,也會使軸承在各個固有頻率上發生諧振,并伴有幅值的調制現象;根據實際需要,選擇某一頻率作為研究對象,利用高頻帶通濾波器將故障信息解調出來,再經過低通濾波器處理,得到相對低頻沖擊并放大擴展的共振諧波,處理后的信號包含故障特征信息的低頻包絡信號,通過對這一包絡信號進行頻譜分析就可以對軸承進行故障監測與分析.共振解調技術在很大程度上提高了信噪比,對軸承微弱的沖擊信號有很強的敏感性,是軸承故障診斷較為有效的方法;但該方法也存在局限性,即帶通濾波器參數的選擇.

譜峭度法可以為共振解調技術提供準確的帶通濾波器參數[11].Dwyer最早提出譜峭度這一概念,目的是為了解決功率譜無法檢測和提取信號中瞬態現象等問題.起初該方法并未得到普遍應用,主要因為其定義不完善、估計程序不完整.J.Antoni對譜峭度法進行了深入研究,給出了譜峭度的正式定義,才使其在故障診斷領域的應用變得成熟.

其他的頻域分析法還有傅里葉變換法、功率譜分析法等.在信號處理中,傅里葉變換的典型用途是將信號分解成幅值譜,用來顯示與頻率對應的幅值大小.傅里葉變換法不會造成信息的丟失,通過觀察各頻率的譜線來進行故障的監測與診斷.功率譜分析包含兩種方法,自功率譜密度分析與互功率譜密度分析,都是研究信號在頻域中的各種特征,從頻域內提取淹沒在噪聲中有用的信號.

2.3 時頻分析法

軸承振動信號時域與頻域分析僅僅能從整體對信號進行處理,無法反映信號局部的特征.時頻分析方法則可以反映信號頻率與時間之間的相互關系,以及信號的局部特征,并且對非平穩的故障信號有較強的處理能力.時頻分析法主要包括小波變換、短時傅里葉變換、威格納時頻分布和EMD方法等.

在信號提取過程中不可避免會帶來噪聲的干擾,如果不加必要的處理,會使特征的提取出現問題,正確性降低,必須采取相應的措施進行消噪的處理.采集到的非平穩振動信號,利用傳統消噪方法處理獲得的結果不理想,因此可以利用小波分析來進行消噪.小波分析是一種多分辨率的方法,在時頻平面不同位置具有不同的分辨率,其克服了傳統信號處理方法只有單一分辨率的局限.

小波分解法還可以進一步改進為小波包分解.小波包分解是將小波分解得到的高頻成分進一步分解,克服了小波分解只對低頻成分進行分解的缺點,是一種更加細化的分解.當滾動軸承出現故障時,某些頻帶內的振動信號能量將減少,而另一些頻帶內振動信號能量將增加,各頻率成分都含有有用的特征信息,利用小波包分解提取后,直接根據故障頻率的映射關系便可判別出軸承的故障原因.因此,小波包分解是一種十分有效的軸承振動信號處理方法.

短時傅里葉變換不能同時兼顧頻率與時間分辨率:當頻率增高時,時間分辨率就會降低;反之,時間分辨率就會增高.而當信號變化劇烈時,要求窗函數具有較高的時間分辨率;波形變化平緩時,則要求窗函數具有較高的頻率分辨率.因此,短時傅里葉變換僅適用于分段平穩信號或近似平穩信號,并不適用于非平穩信號.

威格納(Wigner-Ville)時頻分布有利于處理非平穩和時變信號.這種方法由Wigner提出,由Ville將其引入信號分析領域.威格納時頻分布比短時傅里葉變換有更好的分辨率,但其卻存在交叉干擾項,迄今這一問題也未能很好地解決.

經驗模態分解(EMD)方法是由美國NASA的黃鍔博士提出的,與傅里葉分解與小波分解方法相比,該方法不需要設定任何基函數,是一種直觀的、自適應的、后驗的方法.EMD方法可以處理任何類型的信號,尤其適用于非平穩信號.

局部均值分解(LMD)[12]方法是由Smith提出的,是一種新的非線性和非平穩信號分析方法.其核心思想是將復雜的多分量信號分解為若干個PF(Product function,簡稱PF)分量之和,每個分量都是包絡信號和純調頻信號的乘積,較好地保持了原始信號的幅值和頻率的變化特性,將所有的分量進行一定的組合便可以得到原始信號的時頻分布.這種方法與經驗模態分解法有相似之處,并且具有較高的信噪比,適用于非平穩、非線性的信號處理.

2.4 其他信號處理方法

G.L.McDonald等人提出了一種新的信號分析處理方法——最大相關峭度反卷積(MCKD)方法,此方法通過選取一個有限沖擊響應濾波器,使已知周期信號濾波后相關峭度最大,迭代求取最大相關峭度反卷積,此方法在診斷周期性的沖擊和抑制噪聲方面有很好的效果.在MCKD方法的基礎上,徐繼剛提出了高階位移相關峭度反卷積方法,在對采樣信號進行降噪的同時強化周期性的沖擊成分[13].該方法可以提高故障監測能力,但高階也增加了計算的復雜性.在信號處理時,正確選取T(周期參數)與M(移位數)是十分關鍵的,如果M取值較大時,迭代法會降低數值的精度.

李毓輝等綜合運用盲均衡技術和計算階次跟蹤技術提出一種滾動軸承振動信號半盲處理方法,該方法結合了滾動軸承故障信號譜結構的先驗知識,利用計算階次跟蹤分析得到盲均衡后振動信號的階次譜圖,然后根據故障信號的譜結構實現盲均衡濾波器參數N(每個通道的樣本數)和τ(時間延遲數)的優化.該方法基于任意旋轉機械的信號都是具有循環平穩的特性,通過數據關聯和數據級信息融合,得到的信號要優于原始傳感器獲得的信號,這在工程中有利于對軸承故障的診斷.

唐國明等提出了基于虛擬儀器,運用LabVIEW軟件,應用自回歸模型功率譜分析AR(p)方法對滾動軸承信號進行處理[14].虛擬儀器由軟、硬件平臺組成,用LabVIEW語言編寫程序,而且AR(p)方法易于在計算機上實現.在軸承信號的處理方法中,頻域分析應用較為廣泛,頻域參數的獲得大多數是通過傅里葉變換,其缺點是計算量非常大.而AR(p)功率譜處理信息具有過程簡單、計算量小、模型參數估計較為準確,得到的譜線光滑、譜峰突出等優點,準確的AR(p)能夠較好的反映出動態系統的客觀規律,為研究軸承振動的本質提供可靠的數據,但AR(p)對噪聲干擾也較為敏感.虛擬儀器的使用,能實現傳統儀器的功能,隨著科技的不斷發展,虛擬儀器可以更廣泛的運用到故障監測與診斷當中.

數學形態學信號處理方法[15]:形態學最初是應用在圖像處理領域,由法國地質學家Matheron和Serra創立,后來在信號處理方面也得到了應用.相對于小波變換、短時傅里葉變換、威格納時頻分布等非線性非平穩信號的處理方法,數學形態法的濾波效果更好.利用其處理滾動軸承振動信號時,根據軸承振動特點引入形態學方法,構造出有降噪功能的形態學濾波器對信號進行處理,還原振動的真實信號,從而對軸承的故障進行監測與診斷.數學形態學在振動故障診斷中的應用才剛剛起步,還有待于進一步地完善.由于數學形態學的濾波特性,小波變換的多分辨率特性,二者的結合使用是未來重點深入研究的內容.

模糊識別方法:模糊診斷的前期工作是建立隸屬矩陣R,即故障與征兆之間的模糊關系矩陣,這種矩陣可以通過經驗數據、統計數據、實驗數據得到.當提取軸承的振動信號X以后,經過運算Y=XR,得到Y值,通過Y值的特征來進行軸承故障的監測與診斷.這種方法適用于軸承的早期故障診斷,并且有較好的效果.

神經網絡方法:以神經元為信息處理的基本單元,信息通道為神經元之間的連接弧,由多個神經元共同組成網絡結構,特點是具有聯想、記憶和學習的功能.在機械故障診斷中,BP神經網絡及其改進算法應用較為廣泛.BP算法的基本思想是把相似模式的特征值提取出來,并映射到連接權值上,這是網絡學習的一個過程.當網絡遇到一個新模式時,將其特征值與所學習到的各類特征值相比較,從而判斷其類別.由于神經網絡的函數具有逼近和記憶的處理能力,其在處理軸承振動信號時,將振動的特征參數轉化為特征向量,進而實現對滾動軸承的故障監測與診斷.BP的改進算法優點是網絡學習的速度較快,并且很大程度避免發生陷入局部極小的情況.

遺傳算法(GA)是一種模擬自然界中自然選擇和種群遺傳的算法,具有隨機、迭代及進化等特點.這種算法可使問題的解不斷優化,并逼近最優的值,適用于處理復雜非線性問題,在信息處理中得到廣泛的應用.此外,遺傳算法的改進方法使得收斂更快,并避免陷入局部極小.

灰色理論是由華中理工大學教授鄧聚龍在1982年提出的,陳家驥等基于此提出了灰色系統關聯診斷法,其特點為不需要大的樣本量,不受振動信號參數分布影響,計算量較小,結果與定性結論一致等.通過建立故障與正常的模型,將實測模型與其相關聯,找出關聯程度最大的模型,即可判斷是否發生故障.

奇異值分解方法[16-18]:在軸承損傷處于早期或比較輕微時,軸承工作時受到的沖擊并不明顯,由其引起的調幅現象也是十分微弱的,這樣就被軸承其它振動頻率以及參入的噪聲淹沒了.這時如果使用包絡法,其處理的振動信號的效果并不明顯,而奇異值分解方法則解決了這一問題.同時,奇異值分解方法還可以根據其處理得到的完整調幅信號,得出載波和被調制的低頻信號頻率;SUV消噪方法具有零相移、波形失真小、信噪比高等優點;奇異值分解方法使處理結果調幅特征十分明顯,要好于帶通濾波器的效果.

Teager能量算子是一種非線性信號處理方法,實質是運用了差分運算.這種算法計算較為簡單,且時間分辨率高.基于Teager能量算子,王天金等提出了一種的頻譜分析方法[19],具體應用步驟:第一步,運用Teager能量算子進行運算;第二步,對瞬時Teager能量序列進行傅里葉變換,獲得Teager能量譜;第三步,將Teager能量譜中的主導頻率與已知軸承各種故障的頻率進行對比,從而得出故障原因.

隱馬爾可夫模型(HMM)作為一種統計分析模型,創立于20世紀70年代.80年代得以傳播、發展,成為信號處理的一個重要研究方向.有些學者將其運用在軸承故障狀態辨識中,也取得了較好的效果.

沖擊脈沖法(SPM)是根據故障軸承產生的低頻沖擊脈沖信號激起SPM傳感器的共振,經過窄帶濾波器和脈沖形成電路得到一定頻段的脈沖序列.SPM方法就是依據這些脈沖序列來對軸承進行故障的監測與診斷,這種方法被認為是一種有效的軸承故障診斷方法,但當背景噪聲很強或有其它的沖擊源時,SPM方法的判斷能力就會下降,失去了診斷能力.

集合經驗模分解(EEMD)方法是針對EMD方法的不足,提出的一種噪聲輔助數據分析方法,有效解決了EMD方法的混頻現象.蘇文勝提出了基于EMD降噪和譜峭度法的滾動軸承振動信號處理方法[20],突出了振動信號的特征成分,有利于軸承故障的診斷.同時提出了一種基于小波包樣本熵的滾動軸承故障診斷方法,通過計算,得出該算法可以較好地預測軸承的運行狀態.還提出了一種基于最優Morlet小波濾波器和自相關增強算法,并通過實驗證明了這種信號處理方法比基于EMD降噪和譜峭度法的滾動軸承振動信號處理方法能診斷更早期的軸承故障.

Kalman濾波的信號處理方法,計算量較小,可以用于非平穩狀態.通過仿真模擬和實驗,可以看出Kalman濾波的降噪功能非常好,得出的譜線十分光滑,有用的特征信息十分明顯.

S Abdusslam等[21]人采用了一種小波變換、包絡分析與時間編碼信號處理識別(TESPAR)相結合的方法進行軸承的輕微故障診斷,這種方法有很好的故障識別能力.

LIU Qing-jie等人比較了消除多項式趨勢法和五點三次平滑方法[22].實驗結果表明,前者效果不明顯,而后者消除了高頻噪聲,同時信號曲線變得光滑.

Li Changning等[23]提出一種基于α穩態分布的新的非高斯統計模型,可以精確描述軸承故障信號的統計特征.

Wei zhou等[24]描述了維納濾波信號處理方法在軸承振動信號處理中的應用,指出其具有信號的降噪功能,不受軸承參數的影響.Yang Ming等[25]提出了一種基于循環維納濾波和包絡譜的信號處理方法,并通過仿真與實驗真實數據證明了方法的有效性.

Li Meng等[26]研究了支持向量機(SVM)在軸承故障診斷中的應用.SVM對小訓練樣本有很好的分類性能,診斷精度對內核函數和參量依賴小,適合于工程應用.SVM與主成分分析(PCA)法的結合可以有效地提取故障特征,準確識別故障模式.Wu Bin等[27]提出了SVM與HMM相結合的方法,并驗證了該方法的有效性.Du Yi等[28]提出了一種概率盒與登普斯特謝佛結構(DSS)相結合方法,并利用SVM方法減少計算量,這種方法具有快速、對噪聲不敏感、識別率高和準確度高等優點.

此外,分形盒維數方法、維譜分析法及其相關方法等也被不少學者應用于軸承振動信號的處理中,并取得了一些成效.

3 結論

3.1 現有信號處理技術的綜合運用

到目前為止,軸承振動信號故障診斷方法已發展到可觀的數量,每一種信號處理方法都有其優點,但也存在其局限性.例如,峰值、峭度等參數對沖擊信號敏感,但不能分辨出沖擊信號的來源,可能有盲目性,產生誤判.有些信號處理方法較為準確,但算法復雜,計算量很大,對設備的要求較高.有些信號處理方法對工作人員的經驗水平和操作能力要求較高,有一定的先驗性,如譜分析法.此外,新出現的智能信號處理方法理論不夠完善,有待于進行改進和優化.

既然各種信號處理方法各有優缺點,如果在它們之中進行選取,結合起來綜合運用,會帶來好的效果.可以先采用時域法進行信號的預處理,提取出有用信息,如特征參數,故障特點等;再結合預處理結果通過頻域法或時頻法進行精確診斷,會使結果較為準確.有的信號處理計算量小,有的方法分析準確,但計算量大,可以用計算量小的方法進行計算處理,再用分析準確的方法進行分析,使得方法各自發揮其優點,互相彌補不足,從而實現軸承故障監測診斷又好又快.

3.2 信號處理技術的發展趨勢

軸承振動信號的處理不是一個簡單的問題,振動過程中的噪聲參入,振動狀態的非線性,非高斯性,非平穩性等,都會給軸承振動信號的處理帶來困難.如何監測軸承的運行狀態,準確找出軸承的故障的根源,是一個必須解決的問題.隨著計算機技術及虛擬網絡技術的發展,診斷儀器硬件、軟件診斷設備的日趨精良,技術人員水平的不斷提高,軸承故障監測與診斷技術將不斷發展、進步.軸承故障診斷信號處理手段的可能發展趨勢歸納如下:

(1) 多種信號處理技術的完善與相互結合應用.單一的信號處理方法并不十分完善,可靠性有待提高,信號的處理過程也是有待于改善的.多種信號處理方法的結合,克服單一方法的不足,以提高信號的診斷效率與準確率.

(2) 智能的信號處理方法將會極大地發展.智能化是當今時代的主流,這一現象也會反映在軸承的振動信號處理方法方面.計算機及網絡的發展,虛擬神經系統的開發與完善,人工智能技術的進步,開拓了信號處理的另一個領域.自動識別信號的特征,對其進行分析、歸納與整理,加以判斷等功能將會不斷發展,降低技術人員的勞動強度.這是與計算機的發展密不可分的.

(3) 信號處理技術在工程中的應用.所有的技術理論發展都會應用于工程中來.理論結合工程實際,將會引領信號處理技術的發展方向.工程問題一般較為復雜,影響因素多,也有其固有的特點與規律,熟悉與掌握了這些特點與規律,將會使信號處理方法更加有效,更加有實用性.

(4) 新的信號處理方法不斷出現,其它理論的結合應用.信號處理的方法趨于多樣化,復合化.其它的理論正逐漸應用于信號的處理之中,同時,又會有新的理論提出并應用于信號的處理.這將會給信號處理技術注入新鮮的血液,有利于這一領域快速地發展.

[1] GAO Q,DUAN C,FAN H.Rotating machine fault diagnosis using empirical mode decomposition[J].Mechanical Systems and Signal Processing,2008,22:1072-1081.

[2] WANG Jiangping,HU Hongtao.Vibration-based fault diagnosis of pump using fuzzy technique[J].Measurement,2006,39:176-185.

[3] Sawalhi N,Randall R B,Endo H.The enhancement of fault detection and diagnosis in rolling element bearings using minimum entropy deconvolution combined with spectral kurtosis [J].Mechanical Systems and Signal Processing 2007,(21):2616-2633.

[4] Antoni Jeromef,The spectral kurtosis.A useful tool for characterizing non-stationary signals[J].Mechanical System and Signal Processing,2006,20:282-307.

[5] Antoni Jeromef,Randall R B.The spectral kurtosis:application to the vibratory surveillance and diagnosis of rotationmachines[J].Mechanical System and Signal Processing,2006,20:308-331.

[6] 李昊.基于小波循環自相關分析方法的滾動軸承振動信號處理技術的研究[D].長沙:中南大學,2005.

LI Hao.Method of rolling bearing based on wavelet cyclic autocorrelation analysis of vibration signal processing research [D].Changsha:Central South University,2007.

[7] 陳曉平,和衛星,陳季云.基于小波分析的滾動軸承振動信號處理[J].儀器儀表學報,2008,29(4):197-200.

CHEN Xiaoping,HE Weixing,CHEN Jiyun.Wavelet based analysis for rolling bearing vibration signal processing [J].Chinese Journal of Scientific Instrument,2008,29(4):197-200.

[8] 李毓輝,盧如平,方丹,等.故障滾動軸承振動信號的半盲處理方法研究[J].振動與沖擊,2009,28(12):80-83.

LI Yuhui,LU Ruping,FANG Dan,et al.Research on semi-blindsignal processing method for faulty rolling bearing vibration signal [J].Journal of vibration and shock,2009,28(12):80-83.

[9] Nan Chyuan Tsai,Yueh Hsun King,Rong Mao Lee.Fault diagnosis for magnetic bearing systems[J].Mechanical Systems and Signal Processing,2009,23:1339-1351.

[10] Alonsoa F J,Salgado D R.Analysis of the structure of vibration signals for tool wear detection [J].Mechanical Systems and Signal Processing,2008,22:735-748.

[11] Daubechies I.The wavelet transform time-frequency localization and signal analysis[J].IEEE Trans on Information Theory,1990,36(5):961-1006.

[12] Jonathan S Smith.The local mean decomposition and its application to EEG perception data [J].Journal of The Royal Society Interface,2005,2:433-454.

[13] 徐繼剛.滾動軸承振動信號處理與故障識別方法研究[D].蘭州:蘭州理工大學,2012.

XU Jigang.The research of rolling bearing vibration signal processing and fault recognition method [D].Lanzhou:Lanzhou University of Technology,2012.

[14] 唐國明,楊曙年.基于虛擬儀器的軸承振動信號處理技術[J].軸承,2005(12):24-27.

TANG Guoming,YANG Shunian.Bearing vibration signal processing technique based on virtual instrument [J].Bearing,2005(12):24-27.

[15] 郭曉鑫,劉立,馮志鵬.數學形態學在信號處理中的應用綜述[J].儀器儀表學報,2009,30(10):187-191.

GUO Xiaoxin,LIU Li,FENG Zhipeng.Mathematical morphology review and its applicaitons in signal porcessing [J].Chinese Journal of Scientific Instrument,2009,30(10):187-191.

[16] Lehtola L,Karsikas M,Koskinen M,et al.Effects of noise and filtering on SVD-based morphological parameters of the T wave in the ECG[J].Journal of Medical Engineering and Technology,2008,32(5):400- 407.

[17] Mark B,Jiang D.Noise reduction in multiple-echo data sets using singular value decomposition[J].Magnetic Resonance Imaging,2006,24(2):849- 856.

[18] Cempel C.Generalized singular value decomposition in multidimensional condition monitoring of machines- A proposal of comparative diagnostics[J].Mechanical Systems and Signal Processing,2009,23(3):701- 711.

[19] 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):1-6.

WANG Tianjin,FENG Zhipeng,HAO Rujiang,et al.Fault diagnosis of rolling element bearings based on Teager energy operator [J].Journal of vibration and shock,2012,31(2):1-6.

[20] 蘇文勝.滾動軸承振動信號處理及特征提取方法研究[D].大連:大連理工大學,2010.

SU Wensheng.Research on rolling element bearing vibration signal processing and feature extraction method [D].Dalian:Dalian University of Technology,2010.

[21] ABDUSSLAM S,RAHARJO P,GU P,et al.Bearing defect detection and diagnosis using a time encoded signal processing and pattern recognition method[C]∥Comadem2012,25th International Congress on Condition Monitoring and Diagnostic Engineering.Bristol,UK:Institute of Physics Publishing,2012:1-12.

[22] LIU Qingjie,LIU Xiaofang,ZHAN Jun.Study on pre-processing methods of precision bearing vibration signal[C]∥Esiat,2009 International Conference on Environmental Science and Information Application Technology.Piscataway,NJ:IEEE Press,2009:572-574.

[23] LI Changning,YU Gang.A new statistical modelfor rolling element bearing fault signal based on alpha-stable distribution[C]∥Iccms2010,Proceedings of the 2010 Second International Conference on Computer Modeling and Simulation.Piscataway,NJ:IEEE Press,2010:386-390.

[24] ZHOU W,HABETLER T G,HARLEY R G,et al.Incipient bearing fault detection via stator current noise cancellation using Wiener filter[C]∥Sdemped,IEEE Symposium on Diagnostics for Electric Machines Power Electronics and Drives.Piscataway,NJ:IEEE Press,2007:11-16.

[25] YANG Ming,JIN Chen,DONG Guang-ming.Weak fault feature extraction of rolling bearing based on cyclic Wiener filter and envelopespectrum[J],Mechanical Systems and Signal Processing,2011,25(5):1773-1785.

[26] LI Meng,WANG Miao,WANG Changchun.Research on SVM classification performance in rolling bearing diagnosis[C]∥Icicta2010,Proceedings of the 2010 International Conference on Intelligent Computation Technology and Automation.Los Alamitos,CA:IEEE Computer Society,2010:132-135.

[27] WU Bin,YU Shanping,LUO Yuegang,et al.Rolling bearing faults diagnosis method based on SVM-HMM[C]∥Icmtma2010,Proceedings of the 2010 International Conference on Measuring Technology and Mechatronics Automation.Piscataway,NJ:IEEE Press,2010:295-298.

[28] DU Y,CHI Y L,WU X.Bearing fault diagnosis based on probability boxes theory and SVM method[J].Applied Mechanics and Materials,2011,79:93-98.

Review on signal processing for rolling bearing vibrations

HU Zhi-yong,HU Jie-xin,XIE Li-yang,TONG An-shi,ZHANG Xiao-chen

(1.Northeastern University,Key Laboratory of Vibration and Control of Aero-Propulsion Systems,Shenyang 110819,China; 2.Northeastern University,Institute of Modern Design and Analysis,Shenyang 110819,China)

Firstly, various methods for bearing vibration signal processing were summarized including the time-domain and frequency-domain analyses. Then, applications of time-domain parameters, along with advantages and disadvantages of frequency domain analysis methods, are then pinpointed. Finally, it is found that the time-frequency analysis method reflects local characteristics of non-stationary signals. Specifically for bearing vibration signal processing, the method combination and new technology application ride on the future trends.

rolling bearings; signal processing; vibration; time domain; frequency domain

中央高校基本科研業務費項目“復雜裝備關鍵子系統冗余配置與維修策略的綜合決策研究”(課題編號:N150304013),遼寧省博士啟動基金(項目編號:201501154)

胡智勇(1976-),男,博士,講師.E-mail:neujasonhu@163.com

TH 113.1; TH 165+.3

A

1672-5581(2016)06-0525-07