改进经验小波变换在轴承故障诊断中的应用

改进经验小波变换在轴承故障诊断中的应用

王涛[1],2，李继伟1,2

（1.中车永济电机有限公司，山西 永济， 044502;

2.轨道交通牵引电机山西省重点实验室，山西 永济， 044502）

摘要：本文根据传统经验小波的信号分解理论，将尺度空间理论运用到信号的频带划分步骤中，对频带分割不合理现象做了进一步改善。经实测数据试验表明，该方法有助于频带的合理划分，充分挖掘信号中的故障特征，为轴承监测和维修提供准确信息。

关键词：故障诊断、滚动轴承、经验小波、尺度空间、峭度系数

0   引言

高速列车轴箱轴承作为列车走行部中重要的零部件之一，其可靠性与列车安全平稳运行密切相关，因此，有必要实现对滚动轴承状态的实时监控和及时诊断。轴箱轴承通常工作在恶劣的环境中，在强噪声背景下，有关故障信号被淹没，常规的频谱分析方法很难提取相关信息。

针对传统信号分析方法存在的不足，Gilles提出了经验小波变换[1]，相较于EMD，经验小波变换具有充分的理论支撑，能有效的提取固有模态分量，并且不包含虚假频率成分，计算量小，因此，在高速列车轴承、齿轮、万向轴的故障诊断中得到了广泛的应用。

至此，本文提出了基于尺度空间的经验小波变换与分量重构的方式综合运用到高速列车轴箱轴承故障诊断中，最后对信号做Teager能量算子解调提取信号中的故障成分。

1.经验小波变换（EWT）

1.1频带边界频率确定

将一维时域信号经过傅里叶变换后记为

。首先把频率范围规范化到[0,]，假定信号被分解为N个频带，除了和对应的边界外，还需要N-1个分界线。频带分界频率计算公式如下[2]：

         （1）

每个频带边界的中心角频率为，中心角频率两端存在边界带宽，单侧带宽记为。

1.2 尺度空间理论

Gilles提出使用尺度空间表征方法用于信号中不同分量频带边界的识别。随着尺度参数的增加，信号表征中的结构会逐渐减少，信号表征会变得更加平滑。通过计算信号表征中极值点数量，可以对信号表征的平滑程度进行量化。可以认为，随着信号表征平滑程度的增大，信号表征中极值点数量应单调递减。

2.峭度系数

峭度指标（Kurtosis）是信号归一化的四阶中心距，用于反映振动信号中的冲击特征。定义如公式10所示。峭度指标对信号中的循环冲击成分非常敏感，正常情况下其值应该在3左右，当这个值接近4或超过4，则说明机械的运动状况存在冲击性振动。

        （10）

式中: K—原始信号的峭度指标; N—信号的长度;—信号的均值;—信号的标准差。

3.改进EWT的滚动轴承检测模型

基于此，本文提出了基于尺度空间的经验小波分解方法，使用高斯函数不断平滑信号，使信号表现的更加光滑，随着光滑程度增大，信号中仅共振频带边界极值点被保留下来。

为了降低因外界噪声影响使得EWT过分解的影响，采用峭度系数作为评判指标的模态合并方法。首先对轴承振动信号进行EWT分解得到多个IMF分量记作c1(t)，c2(t)…cn(t);分别计算各阶固有模态分量的峭度系数，选取较大峭度值对应的分量重构得到h(t)。最后对重构信号做Teager算子变换进行解调处理以提取轴承故障信息。

4.实测验证

本章节通过台架实验验证本算法对于轴承故障提取的有效性。故障实验完成了某高速动车组轴箱轴承R70外环中度划痕故障实验，制造故障尺寸为0.1mm*0.1mm贯通伤，轴承节径D（mm）为107.72mm，滚动体直径d为19.63mm，滚动体个数Z为13，接触角α为0.4189 rad。输入轴转速为1597r/min。

本次台架试验采样频率为10000 Hz，当速度恒定不变时，将轴承参数分别带入相关公式中可得外圈故障特征频率为141.2 Hz，取一秒振动数据进行分析。

图1 振动信号时域图和频域图

振动信号的时域波形和频域波形在图1中可见。从时域图中可以看出振动信号中存在冲击成分，但是存在大量噪声，很难判断出其是否存在周期成分。

为了提取故障特征，运用上一节提出的基于尺度空间的经验小波对信号进行自适应分割，最终取到15个极小值点，因此信号频谱被分解为16个频带，频谱分割结果如图2所示。

图2 基于尺度空间的经验小波频谱分割图

分别计算各个模态分量的峭度值，并根据前文对峭度值的定义及选取法则，将峭度值接近4时对应的模态分量进行合并。

对重构信号做Teager能量算子解调处理，解调效果如图3所示。由于轴承存在故障时，其故障特征多集中在低频段，为了便于观察，频率范围设置为0-1000Hz。

图3 重构信号的Teager能量算子解调谱

从解调谱中，可以明显看到6根具有较高幅值的谱线，且对应的频率与轴承理论外圈故障频率及其倍频相同，完全符合轴承外圈存在故障时的频谱特征，因此可以判定该被监测轴承存在外环故障。

5.总结

本文介绍了改进经验小波变换的高速列车轴承故障检测算法。本文提出的算法流程首先将信号通过基于尺度空间的经验小波变换，经自适应分解后得到多个模态分量，根据峭度值指标筛选符合故障特征的频段进行信号重构操作，最后对信号进行Teager能量算子解调，根据解调谱特征判断轴承是否存在故障。

该方法相对于传统的经验小波分解方法改善了原来对于频谱不合理分割的缺陷。

参考文献

[1]王涛，张兵. 改进经验小波变换在滚动轴承故障特征提取中的应用[J].铁道机车车辆，2019(5)：53-58.

[2]邓飞跃, 强亚文, 杨绍普, 等. 一种自适应频率窗经验小波变换的滚动轴承故障诊断方法[J]. 西安交通大学学报, 2018, 52(8): 22-29.

作者简介：王涛（1995—），男，助理工程师，硕士研究生学历，现从事轴承振动分析和失效形式研究工作;

基金项目：国家重点研发计划（2020YFB2007900）；中国中车重点项目《牵引电机可视化运维研究与应用》(YJXM2020-049)