趙發(fā)剛,王翠珍,葛 釗,周徐斌

(1.上海衛(wèi)星工程研究所,上海 201109; 2.上海航天技術(shù)研究院,上海 201109)

?

基于譜相關(guān)函數(shù)-Wigner-Ville譜的軸承分布故障信號(hào)分析

趙發(fā)剛1,王翠珍2,葛 釗1,周徐斌1

(1.上海衛(wèi)星工程研究所,上海 201109; 2.上海航天技術(shù)研究院,上海 201109)

針對(duì)包絡(luò)解調(diào)技術(shù)不能有效提取滾動(dòng)軸承中分布故障特征的問(wèn)題，利用軸承分布故障振動(dòng)信號(hào)的二階循環(huán)平穩(wěn)特性，研究了基于譜相關(guān)函數(shù)的Wigner-Ville譜的時(shí)頻特征提取方法。與直接Wigner-Ville分布方法和匹配追蹤時(shí)頻分布方法不具備降噪功能不同，對(duì)含噪聲的循環(huán)平穩(wěn)信號(hào)，先用長(zhǎng)數(shù)據(jù)序列計(jì)算得到譜相關(guān)函數(shù)，可通過(guò)計(jì)算中的多次平均顯著削弱信號(hào)中噪聲成分，再對(duì)譜相關(guān)函數(shù)作關(guān)于循環(huán)頻率的逆傅里葉變換，得到的Wigner-Ville時(shí)頻分布計(jì)算結(jié)果可有效降低噪聲的干擾。對(duì)有軸承分布故障的振動(dòng)信號(hào)，用濾波器去除一階循環(huán)平穩(wěn)成分，用獲得的基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜消除平穩(wěn)隨機(jī)噪聲的影響，能有效提取軸承分布故障的二階循環(huán)平穩(wěn)特征。仿真分析表明：所提方法能有效直觀提取軸承分布故障，而普通Winger-Ville時(shí)頻分布易受噪聲影響，包絡(luò)譜分析結(jié)果無(wú)法明確軸承分布故障特征。實(shí)驗(yàn)結(jié)果驗(yàn)證了所提時(shí)頻算法提取齒輪箱軸承分布故障特征的有效性，而信號(hào)包絡(luò)譜、平滑偽Wigner-Ville時(shí)頻分布均無(wú)法有效提取該特征。

滾動(dòng)軸承； 分布故障； 故障診斷； Wigner-Ville譜； 譜相關(guān)函數(shù)； 信號(hào)分析； 特征提取

0 引言

滾動(dòng)軸承是基礎(chǔ)關(guān)鍵機(jī)械零部件，據(jù)統(tǒng)計(jì)，約30%的旋轉(zhuǎn)機(jī)械設(shè)備故障是由滾動(dòng)軸承故障導(dǎo)致的。雖然滾動(dòng)軸承的故障模式包括疲勞點(diǎn)蝕、表面剝落、膠合、磨損、腐蝕等多種形式，但其振動(dòng)信號(hào)大致可分為局部缺陷故障信號(hào)和分布故障信號(hào)兩類(lèi)。目前，應(yīng)用振動(dòng)信號(hào)進(jìn)行滾動(dòng)軸承故障診斷，已能較成功監(jiān)測(cè)與診斷局部缺陷故障，但對(duì)分布故障的研究較少[1-2]。這是因?yàn)樵跐L動(dòng)軸承故障診斷中，對(duì)局部缺陷故障信號(hào)，可通過(guò)軸承的運(yùn)動(dòng)幾何學(xué)以及包絡(luò)解調(diào)技術(shù)獲得故障特征頻率；對(duì)分布故障信號(hào)，目前多從時(shí)域統(tǒng)計(jì)特征、頻域能量上進(jìn)行故障監(jiān)測(cè)[3-4]。對(duì)齒輪箱軸承，因齒輪振動(dòng)量級(jí)遠(yuǎn)大于軸承振動(dòng)量級(jí)，且信號(hào)包絡(luò)譜常僅反映軸承轉(zhuǎn)頻及其少量倍頻，以及齒輪嚙合頻率及其少量倍頻，分析結(jié)果與正常齒輪箱相差無(wú)幾，因此，用現(xiàn)有的振動(dòng)監(jiān)測(cè)技術(shù)診斷齒輪箱軸承分布故障極易發(fā)生漏診。油液分析技術(shù)是診斷軸承分布故障的一種手段，但實(shí)時(shí)性卻不及振動(dòng)監(jiān)測(cè)技術(shù)[5-6]。文獻(xiàn)[7]指出滾動(dòng)軸承的分布故障信號(hào)具二階循環(huán)平穩(wěn)特性，文獻(xiàn)[8]從譜相關(guān)函數(shù)角度研究了具有軸承分布故障的齒輪箱振動(dòng)信號(hào)特征，其信號(hào)的譜相關(guān)函數(shù)在循環(huán)頻率域以轉(zhuǎn)頻及其倍頻表示，而在頻率域則顯示出軸承共振頻段能量的顯著升高，進(jìn)而可以判斷軸承分布故障的發(fā)生。

由于譜相關(guān)函數(shù)在表述軸承分布故障時(shí)缺乏直觀性，本文對(duì)一種用信號(hào)的時(shí)頻表示分析軸承分布故障特征的方法進(jìn)行了研究。Wigner-Ville分布(WVD)是最有代表性的雙線性時(shí)頻分布，具時(shí)頻分辨率高的優(yōu)點(diǎn)，LOUGHLIN曾用平滑WVD分析了機(jī)械振動(dòng)信號(hào)的時(shí)頻特征[9]。但WVD的缺點(diǎn)是其易受噪聲等影響。為此，本文根據(jù)譜相關(guān)函數(shù)與WVD間的關(guān)系，利用由譜相關(guān)函數(shù)得到的信號(hào)的WVD表示，在時(shí)頻域提取軸承分布故障特征，并用仿真與實(shí)驗(yàn)分析了該方法降低噪聲成分干擾，同時(shí)直觀清晰地反映軸承分布故障特征的有效性[10-12]。

1 基于譜相關(guān)函數(shù)的Wigner-Ville譜的時(shí)頻分析方法

定義實(shí)信號(hào)s(t)的Wigner-Ville分布為

(1)

式中：x(t)為s(t)的解析形式；符號(hào)“*”表示共軛；τ為時(shí)延；f為頻率。

Wigner-Ville譜是WVD的數(shù)學(xué)期望，用于分析非平穩(wěn)隨機(jī)信號(hào)的時(shí)頻特征，有

Wx(t,f)=

(2)

式中：E{·}為數(shù)學(xué)期望；Rx(t,τ)為時(shí)變自相關(guān)函數(shù)[13]。對(duì)循環(huán)平穩(wěn)隨機(jī)信號(hào)，Rx(t,τ)可寫(xiě)成傅里葉級(jí)數(shù)的形式

(3)

式中：Rx(τ,α)為循環(huán)自相關(guān)函數(shù)；α為循環(huán)頻率，滿足α=m/T1，m/T2，m/T3，…。此處：T1,T2,T3,…為Rx(t,τ)的所有周期成分；m為某一整數(shù)。Rx(τ,α)可用Rx(t,τ)表示為

(4)

對(duì)Rx(τ,α)作關(guān)于時(shí)延τ的傅里葉變換，可得譜相關(guān)函數(shù)

(5)

由式(5)可知：當(dāng)α為零時(shí)，其表示平穩(wěn)信號(hào)自相關(guān)函數(shù)與功率譜密度函數(shù)的關(guān)系；當(dāng)α不為零時(shí)，其表征具循環(huán)平穩(wěn)特性的信號(hào)特征。

聯(lián)合式(2)～(5)，譜相關(guān)函數(shù)與Wigner-Ville譜關(guān)于α構(gòu)成傅里葉變換對(duì)

(6)

用譜相關(guān)函數(shù)計(jì)算Wigner-Ville時(shí)頻譜雖增加了一步間接的譜相關(guān)函數(shù)計(jì)算過(guò)程，但因?yàn)樽V相關(guān)函數(shù)計(jì)算只需順序計(jì)算不同頻率間互相關(guān)，其實(shí)際計(jì)算時(shí)間不會(huì)大量增加，而且可有效利用長(zhǎng)時(shí)間序列計(jì)算時(shí)頻分布。

由式(4)、(5)，針對(duì)特定的α，Sx(α,f)可通過(guò)計(jì)算兩個(gè)x(t)的頻移信號(hào)的互功率譜密度函數(shù)得到，則有

(7)

式中：u(t)=x(t)e-jπαt;v(t)=x(t)ejπαt；Ruv(τ)為u(t)，v(t)的互相關(guān)函數(shù)。因此，計(jì)算Sx(α,f)只需通過(guò)對(duì)感興趣的循環(huán)頻率集進(jìn)行掃描計(jì)算即可，而每步掃描只用式(7)，由FFT算法計(jì)算特定α下兩個(gè)頻移信號(hào)u(t)，v(t)的互功率譜密度即可。與直接Wigner-Ville時(shí)頻分布算法相比，這可有效利用長(zhǎng)時(shí)間序列對(duì)平穩(wěn)噪聲進(jìn)行平均，同時(shí)由非零循環(huán)頻率域信息獲得具循環(huán)平穩(wěn)特性的信號(hào)特征。

圖1 周期時(shí)變系統(tǒng)輸出信號(hào)s1(t)的時(shí)頻分布Fig.1 Time frequency representations of output signal s1(t) from a periodic time varying system

現(xiàn)考慮無(wú)噪聲影響的周期時(shí)變系統(tǒng)，s1(t)=2a(t)s1(t-1)-s1(t-2)，系數(shù)a(t)=cos(2πfat)。設(shè)定采樣頻率fs=10kHz，系統(tǒng)頻率fa=20 Hz，令仿真輸出信號(hào)幅值單位為電壓V。系統(tǒng)輸出s1(t)的時(shí)頻分布如圖1所示。計(jì)算時(shí)，均選擇s1(t)約2個(gè)周期0.1 s的1 024點(diǎn)數(shù)據(jù)進(jìn)行計(jì)算，圖1 (b)的循環(huán)頻率計(jì)算范圍為[-5 000 ～5 000] Hz，每隔10 Hz用式(7)計(jì)算一次譜相關(guān)函數(shù)。

在對(duì)應(yīng)圖1系統(tǒng)輸出受噪聲影響時(shí)，令s2(t)=s1(t)+n(t)，此處n(t)為零均值高斯白噪聲。設(shè)信噪比(SNR)為10lg((σs)2/(σn)2)=-8，此處(σs)2，(σn)2分別為s1(t)，n(t)的方差。系統(tǒng)輸出s2(t)的時(shí)頻分布如圖2所示。由圖2(a)可知：由于噪聲的干擾，時(shí)域加窗偽Wigner-Ville時(shí)頻分布無(wú)法給出有用信息；圖2(b)雖受噪聲影響，系統(tǒng)輸出的周期時(shí)變特性仍清晰可見(jiàn)。在計(jì)算圖2(b)時(shí)，選取10 s數(shù)據(jù)進(jìn)行譜相關(guān)函數(shù)計(jì)算，由于采用FFT算法，數(shù)據(jù)長(zhǎng)度的增加并未顯著增加計(jì)算量。

圖2 受噪聲影響的周期時(shí)變系統(tǒng)輸出信號(hào)s2(t)的時(shí)頻分布Fig.2 Time frequency representations of output signal s2(t) from a periodic time varying system with noise

根據(jù)圖1、2分析結(jié)果可知：基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜可有效抑制平穩(wěn)噪聲的干擾，分析輸出信號(hào)s1(t)，s2(t)的譜相關(guān)函數(shù)，結(jié)果如圖3所示。比較圖3 (a)、(b)可知：噪聲的存在僅使信號(hào)譜相關(guān)函數(shù)在零循環(huán)頻率處幅值明顯增大，但并未破壞其非零循環(huán)頻率的分布結(jié)構(gòu)，因此可有效提取具有循環(huán)平穩(wěn)特性的信號(hào)特征。

圖3 周期時(shí)變系統(tǒng)輸出信號(hào)s1(t)，s2(t)的譜相關(guān)函數(shù)Fig.3 Spectral correlation functions of output signals s1(t) and s2(t) from a periodic time varying system without and with noise

2 有軸承分布故障的振動(dòng)信號(hào)模型

當(dāng)滾動(dòng)軸承出現(xiàn)局部缺陷故障時(shí)，其振動(dòng)信號(hào)由一系列的沖擊脈沖串組成。通過(guò)軸承的運(yùn)動(dòng)幾何學(xué)，以及在軸承或加速度傳感器共振頻率頻段的包絡(luò)解調(diào)技術(shù)可有效判斷軸承局部缺陷故障的發(fā)生及其位置[1]。

當(dāng)軸承表面發(fā)生磨損或由于局部缺陷故障的擴(kuò)展，軸承會(huì)在產(chǎn)生分布故障時(shí)，因滾動(dòng)體與故障表面的運(yùn)動(dòng)接觸產(chǎn)生的振動(dòng)信號(hào)不再有明顯的沖擊形式，不會(huì)形成局部缺陷故障振動(dòng)信號(hào)呈現(xiàn)具一定規(guī)律的沖擊脈沖串形式。此時(shí)形成的軸承振動(dòng)信號(hào)較復(fù)雜，取決于故障表面的粗糙度和分布故障面積，可能同時(shí)會(huì)有數(shù)個(gè)相鄰的滾動(dòng)體進(jìn)入故障區(qū)域，故軸承分布故障振動(dòng)信號(hào)總體表現(xiàn)出隨機(jī)性。

但由于軸承滾動(dòng)體間不是獨(dú)立的，而是按一定的通過(guò)頻率經(jīng)過(guò)故障區(qū)域，振動(dòng)信號(hào)中隱含一定的周期性，可將其視為以軸承故障部位的通過(guò)頻率及其倍頻為隱含周期的二階循環(huán)平穩(wěn)信號(hào)[1，7]。如故障位于軸承內(nèi)圈表面，隨軸承內(nèi)圈與轉(zhuǎn)軸旋轉(zhuǎn)，故障區(qū)域還會(huì)以旋轉(zhuǎn)頻率為頻率進(jìn)入載荷區(qū)，此時(shí)軸承受到軸的支撐反力如圖4所示。

圖4 軸承分布故障[1]Fig.4 Illustration of distributed bearing fault[1]

當(dāng)軸承正常工作時(shí)，齒輪箱振動(dòng)信號(hào)通過(guò)等角度采樣消除轉(zhuǎn)速波動(dòng)影響后，常由頻率為齒輪嚙合頻率和少量倍頻的諧波信號(hào)構(gòu)成，有

(8)

式中：am(t)，φm(t)分別為齒輪箱振動(dòng)時(shí)可能產(chǎn)生的以齒輪軸轉(zhuǎn)頻及倍頻為周期的幅值調(diào)制和頻率調(diào)制信號(hào)；fz為齒輪嚙合頻率；n(t)為平穩(wěn)隨機(jī)噪聲。式(8)表示的齒輪箱振動(dòng)信號(hào)具一階循環(huán)平穩(wěn)特性[7]。

如圖2所示，當(dāng)滾動(dòng)軸承內(nèi)圈產(chǎn)生分布故障時(shí)，故障部位進(jìn)入承載區(qū)域后，必會(huì)引起齒輪支撐力的改變，從而引起齒輪箱振動(dòng)信號(hào)的幅值調(diào)制現(xiàn)象。此時(shí)，齒輪箱振動(dòng)的信號(hào)模型可表示為

cos[2πmfzt+φm(t)]+n(t)

(9)

式中：bm(t)為由軸承分布故障引起的齒輪支撐力改變而產(chǎn)生的齒輪振動(dòng)調(diào)制信號(hào)，其在分布故障通過(guò)承載區(qū)域時(shí)為一隨機(jī)信號(hào)，而在分布故障離開(kāi)承載區(qū)域時(shí)則近似為零。因此，bm(t)是隱含周期性的二階循環(huán)平穩(wěn)隨機(jī)信號(hào)[7]。

由式(9)，齒輪箱振動(dòng)信號(hào)包含三部分：式(8)代表的一階循環(huán)平穩(wěn)信號(hào)、軸承分布故障引起的二階循環(huán)平穩(wěn)信號(hào)，以及平穩(wěn)隨機(jī)噪聲n(t)。相對(duì)于二階循環(huán)平穩(wěn)分量，一階循環(huán)平穩(wěn)信號(hào)所占的能量比重較大，若直接對(duì)式(9)代表的信號(hào)進(jìn)行時(shí)頻分析，軸承分布故障引起的二階循環(huán)平穩(wěn)振動(dòng)特征就會(huì)被掩蓋。為此，可先用維納濾波器或AR濾波器設(shè)計(jì)自適應(yīng)離散譜線消除濾波器，去除式(9)中的一階循環(huán)平穩(wěn)成分，然后利用基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜消除平穩(wěn)隨機(jī)噪聲的影響，并有效提取軸承分布故障的二階循環(huán)平穩(wěn)特征[1，14-15]。這部分處理過(guò)程已相對(duì)成熟。

3 具有軸承分布故障的振動(dòng)信號(hào)仿真分析

圖5 無(wú)和有軸承故障的齒輪調(diào)制函數(shù)Fig.5 Gear modulation function without and with bearing fault

圖6 無(wú)和有軸承故障的齒輪箱仿真信號(hào)Fig.6 Gearbox simulation signal without and with bearing fault

圖7 自適應(yīng)濾波前齒輪箱仿真信號(hào)的平滑偽Wigner-Ville時(shí)頻分布Fig.7 Gearbox simulation signal before adaptive filtering-pseudo Wigner-Ville spectrum

軸轉(zhuǎn)頻階次1及其倍頻，齒輪嚙合頻率階次20、倍頻以及轉(zhuǎn)頻調(diào)制邊頻。

圖8 自適應(yīng)濾波前齒輪箱仿真信號(hào)的基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜Fig.8 Gearbox simulation signal before adaptive filtering-Wigner-Ville spectrum based on spectral correlation function

圖9 自適應(yīng)濾波后齒輪箱仿真信號(hào)的基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜Fig.9 Gearbox simulation signal after adaptive filtering-Wigner-Ville spectrum based on spectral correlation function

圖10 自適應(yīng)濾波后齒輪箱振動(dòng)信號(hào)的平滑偽Wigner-Ville時(shí)頻分布Fig.10 Gearbox simulation signal after adaptive filtering-pseudo Wigner-Ville spectrum

圖11 自適應(yīng)濾波前后齒輪箱仿真信號(hào)包絡(luò)譜Fig.11 Gearbox simulation signal before and after adaptive filtering-comparison of envelope spectrum

圖12 齒輪箱實(shí)驗(yàn)實(shí)物Fig.12 Experimental gearbox photo

比較圖9～11可知：基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜可有效直觀地提取軸承分布故障，而普通Wigner-Ville時(shí)頻分布易受噪聲的影響，包絡(luò)譜分析結(jié)果也無(wú)法明確指示軸承分布故障特征。

4 具有軸承分布故障的齒輪箱振動(dòng)信號(hào)實(shí)驗(yàn)分析

本文用澳大利亞新南威爾士大學(xué)的齒輪箱振動(dòng)實(shí)驗(yàn)信號(hào)進(jìn)行了實(shí)驗(yàn)驗(yàn)證[8]。該齒輪箱由一對(duì)平行軸和一對(duì)齒數(shù)比為32∶49的直齒輪組成，如圖12(a)所示。其中：軸承為Koyo 1250雙列自調(diào)心軸承，軸承故障為內(nèi)圈磨損故障，如圖12(b)所示。故障軸承位于齒輪箱驅(qū)動(dòng)軸一側(cè)，對(duì)應(yīng)齒輪齒數(shù)為32。根據(jù)軸承運(yùn)動(dòng)學(xué)分析，其內(nèi)圈通過(guò)頻率為齒輪軸轉(zhuǎn)速的7.1倍，外圈通過(guò)頻率為齒輪軸轉(zhuǎn)速的4.9倍。齒輪箱振動(dòng)信號(hào)由位于故障軸承上方的加速度傳感器測(cè)得，并通過(guò)齒輪軸鍵相信號(hào)對(duì)其進(jìn)行重采樣。

為消除一階循環(huán)平穩(wěn)分量的影響，對(duì)齒輪箱實(shí)驗(yàn)信號(hào)進(jìn)行了與仿真分析相同的自適應(yīng)離散譜線消除濾波。自適應(yīng)濾波前后的齒輪箱實(shí)驗(yàn)信號(hào)包絡(luò)譜如圖13所示。由圖13(a)可知，在自適應(yīng)濾波前包絡(luò)譜包含齒輪軸轉(zhuǎn)頻階次1以及齒輪嚙合頻率階次32；由圖13(b)可知，經(jīng)自適應(yīng)濾波后的信號(hào)包絡(luò)譜僅包含齒輪軸轉(zhuǎn)頻階次。由圖11包絡(luò)譜分析結(jié)果不能發(fā)現(xiàn)任何軸承故障特征。

圖13 自適應(yīng)濾波前后-齒輪箱實(shí)驗(yàn)信號(hào)包絡(luò)譜Fig.13 Envelope spectrum of gearbox experimental signal before and after adaptive filtering

自適應(yīng)濾波前后，齒輪箱實(shí)驗(yàn)信號(hào)的基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜分別如圖14、15所示。自適應(yīng)濾波前，由圖14可知：沿頻率軸主要包含間隔為齒輪嚙合頻率階次32的平行譜線，齒輪嚙合頻率掩蓋了軸承故障特征。自適應(yīng)濾波后，由圖15可知：隨著齒輪軸的轉(zhuǎn)動(dòng)，軸承分布故障特征在固定相位處周而復(fù)始，說(shuō)明基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜有效提取了齒輪箱中的軸承分布故障特征。

圖14 自適應(yīng)濾波前齒輪箱實(shí)驗(yàn)信號(hào)的基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜Fig.14 Gearbox experimental signal before adaptive filtering-Wigner-Ville spectrum based on spectral correlation function

圖15 自適應(yīng)濾波后齒輪箱實(shí)驗(yàn)信號(hào)的基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜Fig.15 Gearbox experimental signal after adaptive filtering-Wigner-Ville spectrum based on spectral correlation function

5 結(jié)論

本文對(duì)基于譜相關(guān)函數(shù)-Wigner-Ville譜的軸承分布故障信號(hào)分析進(jìn)行了研究。利用由譜相關(guān)函數(shù)得到的Wigner-Ville譜，在時(shí)頻域提取了齒輪箱中的軸承分布故障特征，仿真與實(shí)驗(yàn)分析表明了該方法的正確性與有效性。由于滾動(dòng)軸承分布故障信號(hào)具有二階循環(huán)平穩(wěn)特性，即經(jīng)過(guò)自適應(yīng)離散譜線消除，去除一階循環(huán)平穩(wěn)成分后的譜相關(guān)函數(shù)在非零循環(huán)頻率處仍具有非零成分，可利用基于譜相關(guān)函數(shù)在非零循環(huán)頻率處仍具有非零成分來(lái)構(gòu)造Wigner-Ville時(shí)頻譜。本文研究的基于譜相關(guān)函數(shù)的Wigner-Ville時(shí)頻譜分析特點(diǎn)是：可有效抑制隨機(jī)噪聲的影響；可有效利用長(zhǎng)時(shí)間序列進(jìn)行時(shí)頻分析，能抑制隨機(jī)干擾的影響；在時(shí)頻域可有效提取齒輪箱中的軸承分布故障特征。本文提出的方法能有效在時(shí)頻域提取軸承分布故障特征，也可有效提取噪聲淹沒(méi)下的軸承點(diǎn)蝕故障信號(hào)的時(shí)頻特征[16]。相對(duì)包絡(luò)譜方法可有效提取軸承點(diǎn)蝕故障特征，但不能有效提取軸承分布故障特征，本文提出的方法在分析軸承分布故障特征方面更有實(shí)際工程應(yīng)用價(jià)值。后續(xù)研究將集中在實(shí)際工程信號(hào)，分析實(shí)際信號(hào)噪聲及干擾成分對(duì)分析結(jié)果的影響。

[1] RANDALL R B, ANTONI J. Rolling element bearing diagnostics—a tutorial[J]. Mechanical Systems and Signal Processing, 2011, 25(2): 485-520.

[2] 畢果, 陳進(jìn), 李富才, 等. 譜相關(guān)密度分析在軸承點(diǎn)蝕故障診斷中的研究[J]. 振動(dòng)工程學(xué)報(bào), 2006, 19(3): 388-393.

[3] 程輝, 朱昆泉. 滾動(dòng)軸承磨損故障的診斷[J]. 軸承, 1989(5): 51-56.

[4] BARTELMUS W, CHAARI F, ZIMROZ R, et al. Modelling of gearbox dynamics under time-varying nonstationary load for distributed fault detection and diagnosis[J]. European Journal of Mechanics—A/Solids, 2010, 29(4): 637-646.

[5] HALME J, ANDERSSON P. Rolling contact fatigue and wear fundamentals for rolling bearing diagnostics—state of the art[J]. Proceedings of the Institution of Mechanical Engineers Part J—Journal of Engineering Tribology, 2010, 224(J4): 377-393.

[6] 陳果, 陳立波, 宋蘭琪. 一種磨損故障融合診斷新方法及其應(yīng)用[J]. 機(jī)械科學(xué)與技術(shù), 2009, 28(9): 1157-1161.

[7] ANTONI J, RANDALL R B. Differential diagnosis of gear and bearing faults[J]. Journal of Vibration and Acoustics—Transactions of the ASME, 2002, 124(2): 165-171.

[8] SAWALHI N, RANDALL R B. Simulating gear and bearing interactions in the presence of faults—part II: simulation of the vibrations produced by extended bearing faults[J]. Mechanical Systems and Signal Processing, 2008, 22(8): 1952-1966.

[9] LOUGHLIN P, BERNARD G. Cohen-posch (positive) time-frequency distributions and their application to machine vibration analysis[J]. Mechanical Systems and Signal Processing, 1997, 11(4): 561-576.

[10] GARDNER W A. Introduction to random processes with applications to signals and systems: chapter 12 cyclostationary processes[M]. New York: McGraw-Hill Inc, 1990.

[11] GIANNAKIS G B. Digital signal processing handbook: chapter 17 cyclostationary signal analysis[M]. New York: CRC Press & IEEE Press, 1998.

[12] ANTONI J. Cyclic spectral analysis in practice[J]. Mechanical Systems and Signal Processing, 2007, 21(2): 597-630.

[13] 王宏禹. 非平穩(wěn)隨機(jī)信號(hào)分析與處理[M]. 北京: 國(guó)防工業(yè)出版社, 1999.

[14] ANTONI J, RANDALL R B. Unsupervised noise cancellation for vibration signals: part I—evaluation of adaptive algorithms[J]. Mechanical Systems and Signal Processing, 2004, 18(1): 89-101.

[15] ANTONI J, RANDALL R B. Unsupervised noise cancellation for vibration signals: part II—a novel frequency-domain algorithm[J]. Mechanical Systems and Signal Processing, 2004, 18(1): 103-117.

[16] ZHOU Y, CHEN J, DONG G M, et al. Wigner-Ville distribution based on cyclic spectral density and the application in rolling element bearings diagnosis[J]. Proceedings of the Institution of Mechanical Engineers Part C—Journal of Mechanical Engineering Science, 2011, 225(C12): 2831-2847.

Spectral Correlation Function-Wigner-Ville Spectrum based Signal Analysis of Bearing Distributed Fault

ZHAO Fa-gang1, WANG Cui-zhen2, GE Zhao1, ZHOU Xu-bin1

(1. Shanghai Institute of Satellite Engineering, Shanghai 201109, China; 2. Shanghai Academy of Spaceflight Technology, Shanghai 201109, China)

To solve the problem that the features of distributed faults of rolling element bearings in gearboxes can not be effectively extracted by envelop demodulation techniques, based on the second order cycle stationary characteristics of vibration signals of bearings with distributed faults, the time frequency feature extraction method of Wigner-Ville spectrum based on spectral correlation function was studied in this paper. Different from the general time frequency representation methods of direct Wigner-Ville spectrum and matching tracking spectrum, the spectrum correlation function was obtained by long data serials computation for cycle stationary signal, in which the noise in the signal could be decreased by the multiply average. Then the Winger-Ville spectrum gained by inverse Fourier transform for cycle frequency, which had reduced the noise disturbance effectively. For the vibration signal of bearing with distributed fault, the first order cycle stationary was filtered by the filter. The effect of stationary random noise was eliminated by the spectral correlation function-Wigner-Ville spectrum obtained. So the features of the second order cycle stationary for the bearing with the distributed fault could be extracted effectively. The simulation results show that the method proposed can extract the distributed fault of bearing but the common Wigner-Ville spectrum method cannot, because the latter is easy to be affected by the noise so that the envelope spectrum analysis cannot obtain the features of the distributed fault. The experiment proves the method proposed is effective in the analysis of gearboxes with bearing distributed faults but the methods of signal envelope spectrum and smooth pseudo Wigner-Ville spectrum are not.

rolling bearing; distributed fault; fault diagnosis; Wigner-Ville spectrum; spectral correlation function; signal analysis; feature extraction

1006-1630(2017)03-0122-09

2017-04-16；

2017-05-10

國(guó)家自然基金資助(51505294)

趙發(fā)剛(1981—)，男，博士，高級(jí)工程師，主要從事衛(wèi)星的結(jié)構(gòu)機(jī)構(gòu)設(shè)計(jì)、振動(dòng)測(cè)試與信號(hào)分析。

TH133.33

A

10.19328/j.cnki.1006-1630.2017.03.017