基于EWT和包絡譜分析的軸承故障診斷研究

劉自然　陳仁權　顏丙生　黃金來

摘要：針對軸承故障早期信號非常微弱難以提取的特點，提出一種經驗小波變換（EWT）和包絡譜分析相結合的故障診斷方法。該方法應用EWT對信號進行自適應的分解處理，通過選取表征軸承故障的模態分量進行包絡譜分析，對軸承故障進行判斷，并在LabVIEW開發環境下實現，有效拓寬其適用環境。其中EWT是通過結合小波變換和經驗模態分解各自的優點，建立自適應的小波濾波器來提取信號的模態函數。通過仿真信號和軸承故障實驗信號的研究結果表明，LabVIEW開發環境下的EWT能夠有效地對信號進行自適應分解，在與包絡譜分析相結合后能夠更為有效地提取并識別軸承故障類型。

關鍵詞：故障診斷；經驗小波變換；包絡譜分析；LabVIEW；軸承

文獻標志碼：A

文章編號：1674-5124（2018）02-0098-05

0引言

滾動軸承故障早期，故障信號非常微弱，在獲取振動信號時會不可避免地包含大量低頻噪聲，嚴重影響包絡譜分析的結果和判斷；因此，需在進行包絡譜分析前先對振動信號進行高通濾波以消除低頻噪聲的干擾。但高頻濾波的帶寬往往難以自適應選擇，可以利用經驗小波變換（EWT）的自適應，將信號從高頻到低頻進行分解，然后對分解的分量進行包絡譜分析。

EWT是2013年Gilles主要針對經驗模態分解（EMD）沒有完備的理論基礎、模態混疊、端點效應等問題提出的。該方法以小波變換為基礎結合EMD分解的自適應性，對信號的傅里葉頻譜進行分割，構造小波濾波器組，從而提取固有模態。近年來，國內外學者對EWT進行了深入研究，M.Kedadouche等將EWT與EMD和EEMD的分解進行了詳細的對比：李志農等將經驗小波變換應用到機械故障診斷中，驗證了該方法能夠用于機械設備診斷；向玲等將EWT方法和EMD方法在轉子系統實驗故障信號中進行了性能對比，驗證了EWT在實際應用中的有效性：Zhang XL等將EWT應用到圖像處理中提高了圖像檢測的品質：M.Kedadouche等提出了OMA-EWT，將EWT和OMA（operationalmodal analysis）相結合應用于軸承故障診斷，提高了故障診斷的檢測精度；Jiang等將原信號進行EWT分解后產生的各模態輸入到混沌振蕩器中進行進一步的提取信息，增加了信號處理的準確性。本文簡要介紹了EWT的基本理論，在LabVIEW開發環境中實現該算法，并通過仿真信號來驗證其有效性，同時將EWT與包絡譜分析相結合通過軸承故障模擬試驗臺來檢驗其能否有效診斷軸承的故障類型。

1經驗小波變換

經驗小波變換實質是將原信號進行傅里葉變換并對得到的傅里葉頻譜進行分割劃分，然后建立一組適合每個劃分后的傅里葉頻譜的小波濾波器組并對其進行處理。

為了完成對信號的經驗小波分解，對Gilles所提出的頻帶分割方法進行了適當的改進，將在角頻率上對信號頻譜進行分割改為在頻率上分割。經驗小波變換是一個尺度函數和Ⅳ個小波函數分別對輸入信號進行自適應濾波的分解結果，對此仿真信號可取N=2。如圖6所示為仿真信號的頻譜和每個濾波器所檢測的邊界，經EWT分解后得到的信號如圖7所示，可以看出用EWT分解后得到的3個分量從上到下分別對應仿真信號的正弦信號、調幅信號、調幅調頻分量。由此可以驗證用LabVIEW編寫的EWT程序能夠準確地分解信號。

5基于EWT的軸承故障包絡譜分析

為了驗證方法的正確性，在SpectraQuest公司最近推出的軸承故障模擬試驗臺（MFS）上進行實驗。圖8為軸承故障模擬試驗臺，將用于實驗的內圈故障軸承安裝在模擬試驗臺的內側。軸承型號為MBER-10K，其節圓直徑33.5mm，滾珠直徑7.94mm，個數8，接觸角0°，信號采集時電動機的實際轉速為1788r/min，采樣頻率10240Hz，采樣時間10s。經過計算可知軸承內圈的故障特征頻率為147.452hz。

圖9是內圈故障滾動軸承的時域波形和頻譜圖，由于在采集信號的過程中存在大量噪聲，使得軸承故障引起的頻率特征被淹沒，從圖中很難判斷出軸承的故障類型。

首先用LabVIEW編寫的EWT對軸承的振動信號進行分解，其分解后的結果和各模態信號的傅里葉變換如圖10所示。

從圖中可以看出c2分量的沖擊信號相對比較明顯，且所含的高頻噪聲信號較少，對其進行包絡譜分析，其包絡譜如圖11所示。

從圖中可以很明顯的找到特征頻率147.7hz以及其倍頻295.4hz，441.6hz和它們周圍的邊頻所對應的譜線，這和軸承內圈故障特征頻率147.452hz相對應，充分說明滾動軸承內圈發生故障。結果表明：用LabVIEW編寫的經驗小波變換和包絡譜分析相結合的方法能夠有效地從噪聲環境中提取軸承故障特征信號，正確識別出軸承故障類型。

6結束語

本文以LabVIEW為開發環境的經驗小波變換，通過仿真信號驗證了其有效性，拓寬了EWT分析算法的適用環境，具有很好的應用價值。并在此環境下結合EWT和包絡譜分析各自的信號處理優勢，將其應用到軸承的故障診斷中，實驗結果表明，該方法能夠有效提取軸承振動特性，準確判斷軸承的故障類型。