李慧梅，安 鋼，黃 夢

（1.裝甲兵工程學院機械工程系，北京 100072；2.軍事交通學院汽車工程系，天津 300161）

基于局部均值分解的邊際譜在滾動軸承故障診斷中的應用

李慧梅1，2，安 鋼1，黃 夢1

（1.裝甲兵工程學院機械工程系，北京 100072；2.軍事交通學院汽車工程系，天津 300161）

局部均值分解（Local Mean Decomposition，LMD）將復雜的多分量信號自適應地分解為有限個乘積函數(shù)（PF）的和，在計算了各個分量的瞬時幅值（IA）和瞬時頻率（IF）后，可以計算出基于LMD的邊際譜。針對直接法求取瞬時頻率存在端點誤差大問題，提出一種改進的直接求取瞬時頻率的方法；提出了基于LMD的邊際譜的滾動軸承故障診斷方法，將該方法應用于實際滾動軸承故障診斷中，結(jié)果表明該方法能有效地提取出滾動軸承的故障特征頻率，從而確定故障部位。

局部均值分解；邊際譜；滾動軸承；故障診斷；瞬時頻率

滾動軸承是旋轉(zhuǎn)機械中最常用、最易損壞的部件之一，其狀態(tài)監(jiān)測和故障診斷一直是一個研究熱點。提取滾動軸承的故障特征頻率來診斷滾動軸承故障，是滾動軸承故障診斷常用的方法之一［1］。但實際中，由于噪聲的干擾，滾動軸承故障特征不明顯，這就需要合理的信號處理方法來處理信號，從而突出軸承元件的故障特征頻率來診斷故障所在部位。滾動軸承故障振動信號是非平穩(wěn)信號［2］，為此，應用現(xiàn)代非平穩(wěn)信號處理方法分析滾動軸承故障振動信號，可更為有效地提取故障特征。小波變換和經(jīng)驗模式分解（EMD）等是滾動軸承常用的非平穩(wěn)信號處理方法［3－4］。但小波變換分析信號時缺乏自適應性，EMD理論存在模式混疊、端點效應、過包絡、欠包絡等問題。

2005年，Smith［5］提出了一種新的自適應的時頻分析方法——局部均值分解（LMD）。與EMD相比，LMD在抑制端點效應、避免過包絡、欠包絡、減少迭代次數(shù)等方面要優(yōu)于EMD方法［6］。鑒于這些優(yōu)點，LMD方法在機械故障診斷中得到了廣泛應用，應用最多的是利用它的解調(diào)能力來提取故障信息［7－8］，基于LMD的時頻譜［9］、能量譜［10］等概念陸續(xù)提出并得到應用。但基于LMD的邊際譜的應用研究還很少。本文借鑒Hilbert邊際譜的思想，給出了基于LMD的邊際譜的計算公式；在計算邊際譜時，針對直接法求取瞬時頻率存在端點誤差大的問題，提出了一種改進的直接求取瞬時頻率的方法；將基于LMD的邊際譜應用于滾動軸承故障診斷中，結(jié)果表明該方法能有效地突顯出滾動軸承的故障特征頻率，從而確定滾動軸承故障部位。

1 局部均值分解方法簡介

LMD方法本質(zhì)上就是將一個信號分解成有限個瞬時頻率具有物理意義的乘積函數(shù)（PF）分量，其中每一個PF分量都是由一個包絡信號a（t）和一個純調(diào)頻信號si（t）相乘而得到的，包絡信號是該PF分量的瞬時幅值（IA），對純調(diào)頻信號的相位展開后求導便可以得到該PF分量的瞬時頻率（IF，也記作f（t）），對于一個給定的信號，局部均值分解的具體步驟可參見文獻［5］。

一個信號通過局部均值分解后，可獲得的主要信號特征如圖1所示。通過LMD，原始信號被分解成有限個單分量函數(shù)PF，對PF分量的IA和由純調(diào)頻信號的相位展開后求導得到的PF分量的IF進行傅里葉變換，可分別得到信號的調(diào)幅特征和調(diào)頻特征。將IA和IF同時顯示，即可獲得信號完整的時頻分布。在此基礎上，借鑒Hilbert譜的思想，可獲得信號的邊際譜、能量譜等。

圖1 局部均值分解獲得的信號特征Fig.1 The signal characteristics obtained via LMD

2 基于LMD的邊際譜

程軍圣等［10］定義了基于LMD的時頻分布，記作：

式中：n為PF分量的個數(shù)；ai（t）為第i個分量的瞬時幅值；fi（t）為第i個分量的瞬時頻率。S（f，t）反映了信號幅值隨時間和頻率的變化關(guān)系。

在此基礎上，借鑒Hilbert邊際譜的思想，定義基于LMD的邊際譜為：

S（f）反映了信號的幅值在整個頻率段上隨頻率的變化情況，它的幅值表示信號中某一頻率成分在各個時刻的幅值之和。當滾動軸承發(fā)生局部損傷時，其故障特征頻率必然存在，通過分析邊際譜幅值可以找出故障特征頻率，從而確定故障部位。

3 一種改進的直接求取瞬時頻率的方法

3.1 一種改進的直接求取瞬時頻率的方法

為構(gòu)建基于LMD的時頻譜和邊際譜，需準確計算各個PF的IA和IF。從局部均值分解的步驟可以看出：在完成分解的同時，就直接計算出了各個PF分量的IA，IF通過分解得到的純調(diào)頻信號的相位展開后求導獲得，該方法稱為“直接法”，這也是局部均值分解的一個優(yōu)點：不需要進行Hilbert變換就直接計算出了各分量的IA和IF，不會出現(xiàn)無法解釋的負頻率現(xiàn)象。直接法求取瞬時頻率的具體實現(xiàn)步驟可參見文獻［11］。但是，直接法在求取瞬時頻率時存在端點誤差大問題，本文針對該問題提出了一種改進的直接求取瞬時頻率的方法。通過仿真信號說明，給定仿真信號：

式中：t∈［0，1］，采樣頻率為1 024 Hz。仿真信號的LMD分解結(jié)果如圖2所示。從圖2中可以看出，PF1對應原信號中的x1（t），PF2對應原信號中的x2（t）。PF3、PF4、PF5是由分解誤差產(chǎn)生的偽分量。分別對PF1和PF2利用直接求取瞬時頻率的方法計算二者的瞬時頻率，結(jié)果如圖3所示。從圖3中可以看出，在信號兩端瞬時頻率出現(xiàn)了較大誤差，見圖3中圓圈標注部位，尤其是PF2分量的端點誤差較大。

圖2 仿真信號的LMD分解結(jié)果Fig.2 The LMD results of simulation signal

仿真信號x（t）在t＝0和t＝1時，正好是信號極值點，理論上不存在分解的端點效應問題［11］，所以這里可以排除端點效應帶來的原因。但通過分解后，各個分量很有可能在端點處不再是極值點，PF2尤其明顯，而與其對應的si（t）在端點處都取值為1或－1，達到極值點。這樣的話，就使得si（t）在第一個極值點左邊的曲線斜率和最后一個極值點右邊的曲線斜率與信號本身不一致，曲線變陡了，見圖4中圓圈標注部位，進而造成求得的瞬時相位和瞬時頻率在第一個極值點左邊和最后一個極值點右邊的值與實際信號不符合，發(fā)生較大誤差。基于上述分析，本文提出一種基于瞬時相位邊界波形匹配的改進的直接求取瞬時頻率的方法。其具體步驟如下：

（1）對于一個給定的純調(diào)頻信號si（t），直接法求取瞬時頻率，要求－1≤si（t）≤1，且極大值為1，極小值為－1。若不滿足，將所有極大值置1，大于1的值置1；將所有極小值置－1，小于－1的值置－1，使其滿足。

（2）求取調(diào)整后的純調(diào)頻信號的瞬時相位φ（t）＝arccos（si（t）），并對瞬時相位進行邊界波形匹配；具體匹配方法見本文的3.2小節(jié)。

（3）對匹配后的相位按式（4）展開，并將相位極值點的值去除用臨近點的平均值代替，然后進行相位平滑，本文采用Savitzky-Golay平滑濾波器進行相位平滑。

式中：n＝1，2，…，m－1，m是相位極值點個數(shù)加2。

（4）對平滑后相位進行求導，得到瞬時頻率IF。

為對比分析效果，對仿真信號的PF1、PF2采用改進的直接法計算瞬時頻率，結(jié)果如圖5所示。從圖5可以看出，改進后的瞬時頻率求取方法可以明顯改善原方法的端點誤差大問題。

圖3 直接法求取的PF分量的瞬時頻率Fig.3 PF'IF calculated by directmethod

圖4 LMD分解得到的純調(diào)頻信號Fig.4 The purely frequencymodulated signals

圖5 改進的直接法求取的PF分量的瞬時頻率Fig.5 PF'IF obtained by the improved direct

3.2 瞬時相位邊界波形匹配方法

匹配包括相位的左右兩端，下面以左端匹配為例來說明具體匹配方法。具體步驟如下：

（1）計算瞬時相位第一個極值點左邊的點數(shù)，記為l；計算瞬時相位的極值點mi（i＝1，2，…，n），n為極值點個數(shù)，極值點對應的時間坐標記為tmi。

（2）以第一、二、三個極值點構(gòu)造一個三角波形，作為特征波形。并計算：

（3）依次以極值點m2k－1、m2k、m2k＋1構(gòu)造三角波形，若n是偶數(shù)，k＝2，3，…，（n－2）／2，若n是奇數(shù)，k＝2，3，…，（n－1）／2，并對每個三角波形計算：

（4）計算各個三角波形與特征波形的匹配誤差，匹配誤差的計算公式為：δ＝｜Δ－Δ1｜。

（5）找出匹配誤差最小的三角波形作為匹配波形，用匹配波形左端的l個點替代第一個極值點左端的點；如有多個匹配波形，則將多個匹配波形左端的l個點對應相加取平均值作為替代值。

（6）按同樣的方法匹配最后一個極值點右端的相位，得到匹配后的瞬時相位。區(qū)別主要有：特征波形為倒數(shù)第一、倒數(shù)第二、倒數(shù)第三個極值點構(gòu)造的三角波形；其余三角波形以極值點mn－2k、mn－（2k＋1）、mn－（2k＋2）構(gòu)造，若n是偶數(shù)，k＝1，2，…，（n－4）／2，若n是奇數(shù)，k＝1，2，…，（n－3）／2用匹配波形右端點替代最后一個極值點右端的點。

4 應用實例

本文通過電火花電擊7216軸承滾動體表面，使其產(chǎn)生長度為3mm，寬度為1mm，深為1mm的凹坑來模擬軸承滾動體點蝕故障，并將該軸承安裝在某裝甲車輛變速箱主軸上，進行實車行駛試驗，采集實車行駛過程中變速箱的振動加速度信號。

試驗時，車輛掛三檔、發(fā)動機轉(zhuǎn)速為1 025 r／min，在平坦水泥路面上勻速行駛。圖6是試驗時車輛動力傳遞示意圖，其中2為故障軸承。根據(jù)變速箱結(jié)構(gòu)，計算出變速箱主動軸轉(zhuǎn)頻為24.405 Hz，中間軸轉(zhuǎn)頻為12.202 5 Hz，主軸轉(zhuǎn)頻為12.202 5 Hz。

圖6 某裝甲車輛變速箱3檔動力傳遞示意圖Fig.6 The 3rd gear power transmission diagram of gearbox

根據(jù)7216軸承的幾何參數(shù)和主軸的轉(zhuǎn)頻，由式（7）計算出軸承滾動體故障特征頻率為44.91 Hz。

式中：fr為滾動軸承內(nèi)圈（即主軸）的旋轉(zhuǎn)頻率，單位為Hz；d為滾動體直徑，單位為mm；D為軸承節(jié)徑，單位為mm；α為壓力角，單位為rad。

圖7為采樣頻率25 kHz，采樣點數(shù)為4 096點的7216軸承滾動體點蝕故障振動加速度信號的時域波形圖。

為了對比，首先采用常用的Hilbert變換包絡解調(diào)故障診斷方法進行該軸承故障診斷。圖8為該軸承故障信號的Hilbert包絡譜。為對比清楚，也只畫出了0～700 Hz的頻率成分。圖8中，理論計算特征頻率44.91 Hz附近并未出現(xiàn)明顯的峰值，反映不出軸承滾動體故障特征頻率，這可能是由于信號受到路面隨機激勵、發(fā)動機等部件振動、環(huán)境噪聲等干擾成分的影響較大，調(diào)制信息不明顯。解調(diào)診斷方法效果不理想，需要考慮新的方法。

采用LMD方法對該振動信號進行分解，其結(jié)果如圖9所示，其中省略了殘余分量。在完成LMD分解的同時，計算出了各個分量的IA和si（t），隨后利用改進的瞬時頻率求取方法求取各分量的瞬時頻率，在此基礎上通過式（1）計算出基于LMD的時頻分布S（f，t），再通過式（2）計算得到基于LMD的邊際譜S（f），如圖

圖7 軸承滾動體故障信號Fig.7 The bearing fault signal

圖8 軸承信號的Hilbert包絡譜Fig.8 The Hilbert envelope spectrum of bearing signal

圖9 軸承信號的LMD分解結(jié)果Fig.9 The LMD results of bearing signal

圖10 軸承信號的邊際譜Fig.10 Themarginal spectrum of bearing signal

10所示。為顯示清楚，只畫出了0～700 Hz的頻率成分。圖10清晰地反映了軸承滾動體故障特征頻率（45.78 Hz），與理論計算特征頻率44.91 Hz基本吻合，從而可以確定該軸承滾動體存在故障。與預先設置的故障一致，說明了方法的有效性。

5 結(jié) 論

（1）提出的基于瞬時相位邊界波形匹配的改進的直接求取瞬時頻率的方法能夠有效改善原方法的端點誤差大現(xiàn)象，從而提高瞬時頻率的計算精度；

（2）基于LMD的邊際譜反映了信號的幅值在整個頻率段上隨頻率的變化情況。當滾動軸承發(fā)生局部損傷時，其故障特征頻率必然存在，通過分析邊際譜幅值可以找出故障特征頻率，從而確定故障部位及類型；

（3）通過對實際滾動軸承故障振動信號的分析，表明基于LMD的邊際譜能有效地應用于滾動軸承故障診斷。

［1］陳亞農(nóng)，郜普剛，何 田，等.局部均值分解在滾動軸承故障綜合診斷中的應用［J］.振動與沖擊，2012，31（3）：73－78.

CHEN Ya-nong，GAO Pu-gang，HE Tian，et al.Roller bearing comprehensive fault diagnosis based on LMD［J］.Journal of Vibration and Shock，2012，31（3）：73－78.

［2］康海英，欒軍英，鄭海起，等.基于階次跟蹤和HHT邊際譜的軸承故障診斷研究［J］.振動與沖擊，2007，26（6）：1－3.

KANG Hai-ying，LUAN Jun-ying，ZHENG Hai-qi，et al.Fault diagnosis of bearing based on order tracking and HHT marginal spectrum［J］.Journal of Vibration and Shock，2007，26（6）：1－3.

［3］余光偉，鄭 敏，雷子恒，等.小波變換在滾動軸承故障分析中的應用［J］.軸承，2011（7）：37－40.

YU Guang-wei，ZHENG Min，LEI Zi-heng，et al.Application of wavelet transform in fault analysis of rolling bearings［J］.Bearing，2011（7）：37－40.

［4］蔡艷平，李艾華，石林鎖，等.基于EMD與譜峭度的滾動軸承故障檢測改進包絡譜分析［J］.振動與沖擊，2011，30（2）：167－172.

CAIYan-ping，LI Ai-hua，SHI Lin-suo，et al.Rolling bearing fault detection using improved envelope spectrum analysis based on EMD and spectrum kurtosis［J］.Journal of Vibration and Shock，2011，30（2）：167－172.

［5］Smith JS.The localmean decomposition and its application to EEG perception data［J］.Journal of the Royal Society Interface，2005，2（5）：443－454.

［6］Wang Y X，He Z J，Zi Y Y.A comparative study on the local mean decomposition and empirical mode decomposition and their applications to rotating machinery health diagnosis［J］.Journal of Vibration and Acoustics-Transactions of the ASME，2010，132（2）：021010.

［7］Chen B J，He Z J，Chen X F，etal.A demodulating approach based on local mean decomposition and its applications in mechanical fault diagnosis［J］.Measurement Science and Technology，2011，22（5）：1－13.

［8］何 田，林意洲，郜普剛，等.局部均值分解在齒輪故障診斷中的應用研究［J］.振動與沖擊，2011，30（6）：196－201.

HE Tian，LIN Yi-zhou，GAO Pu-gang，et al.Application of localmean decomposition in gear fault diagnosis［J］.Journal of Vibration and Shock，2011，30（6）：196－201.

［9］Wang Y X，He Z J，Zi Y Y.A demodulation method based on improved localmean decomposition and its application in rub－impact fault diagnosis［J］.Measurement Science and Technology，2009，20（2）：1－10.

［10］程軍圣，楊 怡，張 亢，等.基于局部均值分解的循環(huán)頻率和能量譜在齒輪故障診斷中的應用［J］.振動工程學報，2011，24（1）：78－83.

CHENG Jun-sheng，YANG Yi，ZHANG Kang，et al.Application of cycle frequency and energy spectrum based on localmean decomposition to gear fault diagnosis［J］.Journal of Vibration Engineering，2011，24（1）：78－83.

［11］任達千.基于局域均值分解的旋轉(zhuǎn)機械故障特征提取方法及系統(tǒng)研究［D］.杭州：浙江大學，2008.

App lication ofmarginal spectrum based on local mean decom position in rolling bearing fault diagnosis

LIHui-mei1，2，AN Gang1，HUANGMeng1
（1.Departmentof Mechanical Engineering，Academy of Armored Force Engineering，Beijing100072，China；2.Department of Automobile Engineering，Academy of Military Transportation，Tianjin 300161，China）

Localmean decomposition（LMD）can be used to decompose a complex multi-component signal into a linear combination of several product functions（PFs）.After obtaining the instantaneous amplitudes and instantaneous frequencies of all PF components，the marginal spectrum based on LMD can be calculated.Aiming at the big error problem of the instantaneous frequency atend-points extracted with the directmethod，an improved directmethod was put forward.Themarginal spectrum method based on LMD for rolling bearing fault diagnosiswas proposed，and itwas applied in actual rolling bearing fault diagnosis.The analysis resultsshowed that the fault characteristic frequency can be extracted effectively，and the fault position can be determined.

localmean decomposition；marginal spectrum；rolling bearing；fault diagnosis；instantaneous frequency

TN911.7；TH165.3

A

軍隊科研計劃項目

2013－01－30 修改稿收到日期：2013－03－11

李慧梅女，博士生，講師，1978年生