基于異常特征頻率匹配的軸承故障診斷方法研究

摘要：隨著社會的不斷發展，各行各業也得到了不斷發展，機械行業也得到長足發展，但是由于機械設備運行中存在很多故障問題，因此針對這些問題研究了一種基于異常特征頻率匹配的軸承故障診斷方法。首先，獲取振動信號并進行預處理，通過小波變換進行去噪濾波，提取頻率成分。利用快速傅里葉變換將時域信號轉換為頻域信號，并繪制頻譜圖。其次，應用希爾伯特變換進行包絡分析，提升信號的信噪比，獲得包絡譜。進而，從包絡譜中提取軸承故障的特征頻率，并與理論計算頻率進行對比，判斷故障類型及其嚴重程度。通過西儲大學軸承故障數據集驗證了所提方法在故障檢測中的有效性和可靠性。

關鍵詞：軸承故障診斷小波變換快速傅里葉變換希爾伯特變換

中圖分類號：TH133

ResearchonBearingFaultDiagnosisMethodBasedonAbnormalFeatureFrequencyMatching

WUJianchao

GuangzhouGoalandEnergyConservationTech.Co.，Ltd.，Guangzhou，GuangdongProvince，510705China

Abstract：Withthecontinuousdevelopmentofsociety，allwalksoflife"havealsobeenhavealsobeencontinuouslydeveloped，themachineryindustryhasalsobeengreatlydeveloped.However，duetothemanyfaultproblemsintheoperationofmechanicalequipment，abearingfaultdiagnosismethodbasedonabnormalfeaturefrequencymatchinghasbeenstudiedtoaddresstheseissues.Firstly，thevibrationsignalisobtainedandpreprocessed.Denoisingfilteringisperformedthroughwavelettransformtoextractfrequencycomponents.FastFourierTransformisusedtoconverttime-domainsignalsintofrequency-domainsignalsanddrawfrequencyspectra.Secondly，HilbertTransformisappliedforenvelopeanalysistoimprovethesignal-to-noiseratioofthesignalandobtaintheenvelopespectrum.Furthermore，thecharacteristicfrequenciesofbearingfaultsareextractedfromtheenvelopespectrumandcomparedwiththetheoreticallycalculatedfrequenciestodeterminethetypeandseverityofthefaults.TheeffectivenessandreliabilityoftheproposedmethodinfaultdetectionwereverifiedthroughthebearingfaultdatasetofWesternReserveUniversity.

KeyWords：Bearingfaultdiagnosis;Wavelettransform;FastFourierTransform;HilbertTransform

滾珠軸承在旋轉機械中扮演著至關重要的角色，其故障直接影響到機械設備的運行穩定性和安全性[1-3]。在諸如大型電站、化工企業、艦艇及飛機等對可靠性要求極高的系統中，軸承的可靠性尤為重要，防止其突發性損壞成為了確保系統安全的關鍵。因此，對軸承的運行狀態進行實時監測和早期預警是必不可少的。

軸承故障常常表現為典型的缺陷，如表面剝落或裂紋，這些缺陷會導致周期性激勵信號的產生。由于這些激勵信號的周期性與故障部位密切相關，對振動信號的分析能夠揭示這些故障信號的存在及其頻率，從而幫助診斷故障的具體位置。為了有效地從復雜的振動信號中提取和分析這些故障特征，包絡分析技術被廣泛應用[4]。包絡分析技術可以通過多種方法實現，其中小波變換、快速傅里葉變換和希爾伯特變換是關鍵的技術手段[5-7]。小波變換適合處理非平穩信號，通過多尺度分析可以有效地分解信號的時間-頻率特性，提取故障信息。快速傅里葉變換則用于將時域信號轉換為頻域，通過頻譜分析可以識別周期性激勵信號的頻率成分，為故障檢測提供重要依據。希爾伯特變換在包絡分析中扮演著重要角色，它能夠提取信號的瞬時振幅和瞬時頻率，將高頻沖擊成分從振動信號中解調出來，生成包絡譜，從而顯著提高信號的信噪比。

結合這些先進的信號處理技術，軟件網絡分析方法能夠實現高精度的故障檢測。這些方法的應用不僅提高了對軸承故障的診斷能力，也為設備的預防性維護和故障預測提供了強有力的支持，因此，本文研究基于異常特征頻率匹配的軸承故障診斷方法。

1軸承故障診斷方法設計

基于異常特征頻率匹配的軸承故障診斷過程具體敘述如下。

首先，需要獲取設備的振動信號數據。這些數據可以通過加速度傳感器等裝置獲得。其次，對數據進行預處理，確保數據的準確性和完整性。通過快速傅里葉變換算法將時域信號轉換為頻域信號，將振動信號轉化為頻譜圖。包絡譜表示了振動信號的幅值與頻率之間的關系。為了進行軸承故障診斷，需要從包絡譜中提取出故障特征頻率。這些特征頻率通常與軸承的故障類型和嚴重程度有關。進而使用峰值檢測算法來尋找包絡譜中的主要頻率峰值。這些峰值對應著故障特征頻率，可以用于診斷軸承的故障類型。最后，根據故障特征頻率的分析結果判斷軸承是否存在故障，并確定其嚴重程度。

為實現傅里葉變換求頻譜，首先，通過快速傅里葉變換將時域信號轉換為頻域信號。離散傅里葉變換用于計算機實現對信息的處理，由于計算機只能處理有限長度的離散數據，而周期序列的離散傅里葉級數滿足這些特征：對計算機輸入信號的間隔周期采樣得到的個數據點，通過計算可以得到虛指數項表示的個諧波分量：

式（1）中：為虛數符號；為諧波分量；為采樣數據；為指數；為采樣時刻；周期序列的離散傅里葉變換可由下式計算得到頻域信號：

然后，繪制頻譜圖。設原始信號為，其希爾伯特變換定義為：

以為實部，為虛部，構造解析信號：

式（4）中，，即為原信號的包絡，為反正切函數。

通過希爾伯特變換對求包絡線；利用傅里葉變換求包絡譜，繪制包絡譜。進而，根據特征頻率與軸承的故障類型對應關系。軸承中所產生的振動是隨機的，含有滾動體的傳輸振動，其主要頻率成分為滾動軸承的特征頻率。特征頻率可根據軸承結構參數計算如下：

內圈旋轉頻率：，其中，為軸的轉速，單位：。

軸承內圈是常見故障問題，對于內圈故障，存在內圈特征頻率，即內圈上的某一損傷點與滾動體接觸過程中產生的振動頻率：

式（5）中：是軸承旋轉頻率，單位為；為滾動體直徑，單位為；為軸承直徑，單位為；為滾動體數量；為接觸角。

此外，軸承外圈也是常見故障問題之一，對于外圈故障，存在外圈特征頻率，即外圈上的某一損傷點與滾動體接觸過程中產生的振動頻率：

根據以上滾珠軸承可能出現內圈和外圈的故障頻率。具體診斷步驟如下。

步驟1：此時根據專家經驗或經驗公式尋找/計算對應的特征頻率。

步驟2：采用峰值檢測算法來尋找各種故障在包絡譜中的主要頻率峰值，將峰值作為理論故障特征頻率。

步驟3：將實際故障頻率和理論故障頻率做比較，在允許范圍誤差內，當實際故障峰值和理論故障峰值接近時則可判斷出對應的故障類型。

2測試驗證

基于西儲大學軸承故障數據集進行驗證，選擇采樣頻率為12000、轉速為1721、驅動端測點且軸徑為0.007的軸承內圈故障數據集，進行包絡譜倍頻分析。相關參數分別為，。根據參數，可以計算得到。根據專家經驗，從圖1可以發現，包絡譜中在1、2、3倍頻位置相比正常的峰值有大幅增加，1、2、3倍頻之間的峰值依次遞減。

對于外圈故障分析驗證，選擇采樣頻率為12000Hz、轉速為1725r/min、驅動端測點且軸徑為0.007的軸承外圈故障數據集，進行包絡譜倍頻分析。相關參數分別為，。外圈上的某一損傷點與滾動體接觸過程中產生的振動頻率：。根據專家經驗，從圖2可以發現，包絡譜中1、2、3倍頻處相比正常的峰值有大幅度增加，1、2、3倍頻之間的峰值依次遞減。

3結語

本文探討了基于小波變換和希爾伯特變換的軸承故障診斷技術，通過小波變換對非平穩振動信號進行多尺度分析，有效捕捉故障特征；希爾伯特變換則在包絡分析中提取高頻沖擊成分，提升信號的信噪比。通過在西儲大學軸承故障數據上進行了驗證分析。

參考文獻

[1]趙一楠，剡昌鋒，孟佳東，等.自適應窗口旋轉優化短時傅里葉變換的變轉速滾動軸承故障診斷[J].振動工程學報，2024，37（6）：1064-1076.

[2]張斌，孟倩.基于小波包和Hilbert包絡譜的滾動軸承故障診斷[J].機械管理開發，2024，39（3）：1-3.

[3]李菲.基于陷波去噪和經驗小波變換的滾動軸承故障診斷研究[D].北京：北京石油化工學院，2020.

[4]王金喜.基于振動信號分析的滾動軸承故障診斷方法研究[D].濟南：山東大學，2023.

[5]欒孝馳，李彥徵，徐石，等.基于小波包變換與CEEMDAN的滾動軸承故障診斷方法[J].航空動力學報，2024，39（5）：159-173.

[6]曹仕駿，鄭近德，潘海洋，等.基于改進自適應經驗傅里葉分解的滾動軸承故障診斷方法[J].振動與沖擊，2022，41（15）：287-299.

[7]唐貴基，蔡偉.應用小波包和包絡分析的滾動軸承故障診斷[J].振動、測試與診斷，2009，29（2）：201-204，244.