基于改進VMD算法的電機軸承異音識別與定位

楊 磊，王鏡淇，李 亮，高 帆，于 軒，唐國運

(1.江蘇核電有限公司，連云港 222000；2.西安交通大學 機械工程學院，西安 710049)

電機組裝過程中產生的磕碰和異物進入都會使軸承發生微弱損傷，如果無法及時識別異常軸承，將極大降低電機的使用壽命。當電機出現故障時，其會產生明顯異音，如某核電冷卻水泵出現電機軸承異響的問題，通過現場拆解發現軸承游隙過大、安裝過程中異物進入軸承內部、軸承室儲脂空間過小是產生異音的原因[1]；某公司凝水泵電機大修時更換后的軸承出現異音，停機檢修發現軸承內滾道存在麻坑，電機運行時，滾珠與損傷的滑道相互摩擦而發出異音[2]。目前國內企業主要通過人工聽音的方式對電機故障進行識別，并利用接觸式傳感器采集電機運行時的振動數據以及聲音數據。雖然上述方法一定程度上可以實現故障定位，但其缺點在于人耳評判電機故障的主觀性較強，無法設定統一標準，且現場工人需反復聽音才能識別，效率較低、時間成本高。因此，通過傳感技術建立客觀指標以準確識別電機異音并對其進行定位和診斷顯得十分必要。

當現場人員反映軸承有異音時，一般采用振動傳感器采集信號并進行分析，常用方法為尋找原始信號共振帶，并進行包絡解調，找出異音對應頻率。如果異音頻率對應軸承故障頻率及其倍頻，則可判定為軸承故障[3]。相比振動信號，采用聲信號檢測的優勢在于聲傳感器布置方便，可同時監測多個對象。但由于聲信號受背景噪聲影響較大，故提取聲信號特征時難度更高[4-5]。相比于經驗模態分解(EMD)方法，變分模態分解(VMD)方法不僅可以將信號分解若干個本征模式分量(IMF)，又克服了EMD存在的模態混疊和過包絡等缺點[6]；但VMD分解需要人為確定兩個關鍵參數，即模態分解個數和懲罰因子。有學者對參數的自適應選擇進行了研究，WANG等[7]采用粒子群算法自適應選擇參數，雖然可以獲得合適的參數值，但需要大量的迭代試驗，降低了計算效率。

基于此，提出基于改進VMD算法的電機軸承異音識別與定位方法。首先通過改進VMD算法對電機聲音信號進行分解得到多個IMF，根據峭度最大化準則選擇最佳模式分量，進而提取表征電機軸承異音的特征指標；然后，利用聲音在空氣中的傳播特性，提出通過多點測量的方式進行異音定位的方案；最后，通過現場數據分析和相關模擬試驗驗證了所提出方案的有效性。

1 VMD算法改進和異音定位原理

1.1 VMD算法

VMD算法作為一種非遞歸信號分解方法，其本質是將經典維納濾波器推廣到多個自適應波段對原始信號進行分解處理。VMD算法是將信號分解成指定數量的有限帶寬模式分量，并最小化每個模式分量的估計帶寬之和。對于約束變分問題模型中的變分問題，一般通過引入懲罰因子和拉格朗日乘法算子，將其變為無約束問題，其擴展后的拉格朗日表達式為[8]

L({uk},{ωk},λ)=

(1)

式中：K為模式分量數;uk、ωk分別為信號模式分量及其中心頻率;f為輸入信號；α為懲罰因子;λ為拉格朗日乘法算子；δ(t)為脈沖函數;j=sqrt(-1)。

其中，模態分量數K和懲罰因子α對分解結果影響很大，VMD中模式分量數和懲罰因子過多或者過少都將影響有用信息特征的識別精度。因此，在進行VMD分解之前一般需要人為確定模式分量和懲罰因子，上述方式不確定性大，客觀性較強，且需較高的相關經驗。文章提出一種可以根據每個模式分量的頻率特性確定最佳懲罰因子α和模態分量數K的方法，實現了上述兩參數的自適應選取。

1.1.1 最佳懲罰因子

根據現場實際振動信號的頻譜分布特征，一些由轉頻等旋轉頻率主導的諧波主要位于中低頻區域，而周期性沖擊和噪聲干擾大多位于高頻區域。因此，基于VMD的信號分解過程將每個模式分量的中心頻率作為確定相應懲罰因子的基礎。仿真研究表明，懲罰因子越大，信號分解的各模式分量對應的中心頻率越精確，說明諧波成分對較大的懲罰因子更敏感。因此，如果模式分量的中心頻率小，則表明模式分量主要是諧波，應選擇大的懲罰因子；如果模式分量的中心頻率大，則表明模式分量主要是周期性沖擊和噪聲，此時應選擇較小的懲罰因子。基于上述研究，建立懲罰因子與模態分量中心頻率之間的映射關系，即

αk=0.4×e-0.000 8×fkc×fs/2

(2)

式中：αk為第k個模式分量的懲罰因子；fkc為第k個模式分量的中心頻率；fs為采樣頻率。

1.1.2 最佳模式分量數

由于不同的設備工作環境對信號的影響比較復雜，往往難以準確估計信號的模式分量數。針對這種情況，基于重構信號與原始信號的定量關系，提出由能量損失系數和皮爾遜相關系數來自適應地確定信號的模式分量數K[9]，皮爾遜相關系數r可表示為

(3)

能量損失系數ζ可表示為

(4)

文章中以能量損失系數ξ和皮爾遜相關系數r作為確定模式分量數的指標，根據經驗，將能量損失系數閾值設為0.01，將皮爾遜相關系數閾值設為0.995。當r≥0.995或ξ≤0.01時，信號停止分解，從而確定最合適的模態分量數。

1.2 異音定位原理

聲源在空氣中傳播時，存在擴散衰減、空氣吸收衰減以及反射面衰減等能量損失現象[10]。首先，擴散衰減是指聲源在輻射聲波時，聲波向以聲波為中心的四面八方進行傳播，且由于波陣面隨傳播距離的增加而增大，在此過程中聲能會在波陣面上發生分散，聲強將隨聲波的傳播距離的增加而衰減，即

(5)

式中：I為聲強；p為聲源功率；s為半球面型聲源輻射面積；r為傳播距離。

假設聲源傳播半徑為r0，則有

(6)

式中：I0為半徑為r0處的聲強。

另外，聲波在空氣中傳播時，空氣中相鄰質點的運動速度不同，產生的黏滯力會使得聲能轉化為熱能散失掉，這種現象即為聲波在空氣中的吸收衰減[11]。聲波在空氣中的衰減程度與空氣的溫度、濕度以及聲波的頻率相關，即

I=I0e-ar

(7)

式中：I為距離聲源r處的聲強；a為衰減系數，其計算式為

(8)

式中：ω為聲波頻率；ρ為介質密度；η為黏度系數；c為波速。

文章主要研究聲波在傳播至不同距離處的壓強大小，因此主要考慮聲音在傳播過程中的擴散衰減和空氣吸收衰減。基于上述理論可知，聲音在傳播過程中存在衰減損失，在不同位置處測得的聲強就各不相同，則當測試點相距聲源不同距離時，根據所測得的聲音信號所提取的指標也存在差異性。

基于上述研究，擬通過在不同距離處測量聲音，利用改進VMD算法提取聲音信號中的特征信號，并計算其特征指標，根據選定的聲指標不斷逼近聲源，繼而實現聲源定位。異音源定位方法如圖1所示，其中s(x,y)為聲源位置，M1，M2，M3，…,Mn分別為距離聲源不同遠近程度的測點，G1，G2，G3，…,Gn分別為在M1，M2，M3，…,Mn位置處測得的聲音特征值。

圖1 異音源定位方法示意

采用麥克風傳感器進行多次測試，并逐漸逼近以確定異音源，具體測試步驟分為3步。

(1) 初次測試，即測試人員在存在異響的工作室選定測試起始點，然后將傳感器測得的信號傳輸至平板電腦，利用平板電腦進行信號特征提取和異音指標計算等處理，處理軟件自動生成特征值G1。

(2) 更換測試位置，進行第二次測試，測試人員根據自動生成的特征值G2判定變換測試位置的過程是遠離還是接近異音源。

(3) 再次變換測試位置，分析過程同步驟(2)，進而不斷逼近異音源，從而確定異音源的位置。

新的個稅法采用了按年納稅，工資薪金個稅預扣預繳采用了累計預扣法，并且還要在年終過后匯算清繳。收入的忽高忽低，對全年應繳納的個稅總額不產生任何影響。

1.3 異音識別與定位方案

根據上述理論和分析，制定電機異音定位流程，其具體步驟為：① 采集不同位置的電機原始聲音信號； ② 用改進VMD算法對不同位置的電機原始聲音信號進行分解，得到各個模式分量的峭度指標，將峭度指標最大值對應的模式分量作為最佳模式分量；③ 計算最佳模式分量的有效值和峭度指標；④ 如果最佳模式分量對應的有效值和峭度指標均大于設定閾值，則判定電機異常，反之判定電機正常；⑤ 計算不同位置聲音信號的有效值，繪制RMS趨勢圖；

⑥ RMS(均方根值)最大的位置即為異音所在位置，從而實現異音源的定位。

2 現場數據分析與驗證

2.1 現場振動信號分析

核電測試人員利用移動手機對電廠中存在軸承異音的電機進行錄音，并采集了正常電機的聲音作為對比，正常電機和異常電機聲音信號的時域波形、頻譜和全頻帶包絡譜如圖2，3所示。

由圖2，3可知，正常電機和異常電機時域波形中周期性沖擊均不明顯，異常電機全頻帶包絡譜中也沒發現突出的軸承故障頻率。對比正常電機和異常電機的頻譜可以發現，異常電機頻譜成分較為復雜。

圖2 正常電機聲音信號

圖3 異常電機聲音信號

筆者通過對信號進行分解，選擇信號的共振頻帶并提取隱藏的故障特征。由于VMD算法的本質是將信號分解為若干頻段，并基于峭度最大化準則選擇包含故障沖擊的最佳模式分量，最佳模式分量對應的頻段即為信號周期性沖擊所在的共振頻帶。

采用改進VMD算法對異常電機聲音信號進行分解，各模式分量的時域波形(上圖)和頻譜(下圖)如圖4所示。

由改進VMD信號分解結果可知，異常電機聲音信號被分解為6個模式分量。計算各模式分量對應的峭度指標，其結果如表1所示。

表1 異常電機各模式分量的峭度指標

圖5 異常電機最佳模式分量時域波形和包絡譜

由圖5可知，異常電機聲音信號經過改進VMD分解后，最佳模式分量IMF6的時域波形中存在較為明顯的周期性沖擊，包絡譜中主要頻率為軸承內圈故障特征頻率(79 Hz)及其倍頻成分，故障特征突出。由最佳模式分量頻譜可知，異常電機故障特征主要集中在5 500～9 500 Hz頻段范圍內，該頻段為電機異音所在頻段。

為進一步尋找能夠表征電機異音的指標，分別計算正常電機以及異音電機在全頻帶和5 500～9 500 Hz頻段信號對應的時域特征指標，結果如表2所示，可見在全頻帶范圍內，異音電機的時域指標與正常電機的時域指標差異較小。對于異音所在頻段(5 500～9 500 Hz)，異音電機的時域指標明顯大于正常電機的時域指標，筆者選用有效值和峭度指標作為故障判定指標，其中有效值閾值設為0.008，峭度指標閾值設為3.5。

表2 正常電機和異音電機在全頻帶和5 5009 500 Hz頻段信號對應的時域特征指標

2.2 試驗驗證

為驗證上述異音源定位方案的可實施性及有效性，開展異音源定位模擬試驗進行驗證。首先，針對距離異音源遠近對異音特征的影響，開展變距離異音采集試驗，即將現場采集的軸承異音作為異音源，將正常軸承的電機聲音作為噪聲源，然后分別用揚聲器播放。其次，將麥克風傳感器從噪聲源逐漸向異音源靠近，研究在距離異音源不同情況下異音指標的變化情況。試驗設備布置情況如圖6所示。

圖6 試驗設備布置示意

由于現場噪聲強度一般要大于異音強度，為了更好地模擬現場聲音環境，選擇大功率的喇叭播放噪聲，以較低功率的手機播放異音。其全頻帶時域波形如圖7所示。

由圖7可知，隨著傳感器逐漸靠近異音源，信號幅值在逐漸減小，這是因為噪聲強度要遠大于異音強度，因此兩聲源疊加后，聲場中各點聲強的大小主要與距離噪聲源的遠近相關，即距離噪聲源越近，信號幅值越大。

圖7 異音采集試驗的全頻帶時域波形

采用改進VMD算法對信號進行分解，得到最佳模式分量，其時域波形及RMS趨勢曲線如圖8所示。

圖8 異音電機的最佳模式分量時域波形及RMS趨勢曲線

由圖8(a)可知，在麥克風靠近異音源的過程中，所采集到的聲音信號幅值逐漸增大，與全頻帶幅值變化趨勢完全相反。由圖8(b)可知，在麥克風逐漸靠近異音源的過程中，最佳模式分量RMS的值總體呈上升趨勢。為對比正常電機與異音電機兩者的差異性，將上述試驗中異音源的聲源更換為正常電機，其全頻帶時域波形如圖9所示，與第一次試驗的時域波形類似，即在噪聲源靠近正常電機聲源的過程中，傳感器所采集到的聲音幅值在逐漸降低。

圖9 正常電機的全頻帶時域波形

正常電機的最佳模式分量時域波形及RMS趨勢曲線如圖10所示。由圖10可知，在麥克風傳感器從噪聲源端向正常電機聲源靠近時，信號幅值逐漸降低，RMS值也呈下降趨勢，RMS最大幅值為6.4×10-3，而異音電機最大幅值接近0.03，二者相差較大。

圖10 正常電機的最佳模式分量時域波形及RMS趨勢曲線

綜上，對于電機軸承異音，通過計算不同位置采集的聲音信號對應的最佳模式分量有效值，可有效區分距離異音源的遠近，從而實現異音源的定位。

3 結語

針對國內某核電站機組的電機異音問題，提出一種基于改進VMD算法的電機軸承異音識別與定位方法。通過采集現場數據并進行對比試驗，得出以下兩個結論。

(1) 改進的VMD算法可以根據不同信號自適應地確定模式分量數和每個模式分量的懲罰因子，避免了傳統VMD算法中參數選擇導致的過分解和欠分解問題。

(2) 通過繪制不同位置的聲音信號最佳模式分量對應的RMS趨勢曲線，實現了電機異音源的定位，并通過異音定位模擬試驗驗證了該方法的有效性。