曹玲玲　李晶　 彭鎮(zhèn)　張銀飛　韓文冬　 符寒光

摘要： 針對(duì)滾動(dòng)軸承早期故障信號(hào)存在大量噪聲使得提取故障特征困難的問題，提出了一種基于新改進(jìn)小波閾值的降噪方法。該方法是通過采用互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMD）方法將原始故障信號(hào)進(jìn)行分解，得出各階本征模態(tài)函數(shù)（IMF）分量;選取關(guān)鍵的IMF分量進(jìn)行重構(gòu)信號(hào)，將重構(gòu)信號(hào)經(jīng)過新改進(jìn)小波閾值算法和快速譜峭度進(jìn)行濾波降噪;進(jìn)行Hilbert包絡(luò)解調(diào)，得出滾動(dòng)軸承的故障特征頻率。分別用仿真噪聲信號(hào)和滾動(dòng)軸承的實(shí)驗(yàn)信號(hào)對(duì)該方法進(jìn)行驗(yàn)證，并將新改進(jìn)小波閾值算法與傳統(tǒng)的小波硬閾值和小波軟閾值算法進(jìn)行比較分析，結(jié)果表明該方法可以有效提高故障信號(hào)的信噪比，降噪效果明顯，能有效獲得滾動(dòng)軸承的故障特征頻率。

關(guān)鍵詞： 故障診斷;?滾動(dòng)軸承;?CEEMD;?改進(jìn)小波閾值降噪;?快速譜峭度

中圖分類號(hào)： TH165.3;?TH133.33 ???文獻(xiàn)標(biāo)志碼： A ???文章編號(hào)： 1004-4523（2022）02-0454-10

DOI：10.16385/j.cnki.issn.1004-4523.2022.02.021

引 言

滾動(dòng)軸承是現(xiàn)代工業(yè)機(jī)械的重要部件，其健康程度影響機(jī)械設(shè)備的工作狀態(tài)及質(zhì)量。在滾動(dòng)軸承運(yùn)行過程中，多種因素會(huì)造成其損傷或失效，導(dǎo)致故障的發(fā)生，一旦發(fā)生故障會(huì)造成嚴(yán)重的安全隱患。而在滾動(dòng)軸承發(fā)生故障的早期，信號(hào)的采集存在大量的噪聲干擾，使得故障特征提取困難，不能盡早地發(fā)現(xiàn)故障，因此滾動(dòng)軸承早期故障信號(hào)的降噪問題是故障診斷的關(guān)鍵。

目前，對(duì)軸承信號(hào)的降噪方法研究很多。HUANG等提出了經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）算法的降噪方法，即將振動(dòng)故障信號(hào)分解成各階的IMF分量，再?gòu)闹刑崛≌駝?dòng)信號(hào)中的故障特征，但在含有大量噪聲的背景下，使用EMD算法提取的效果會(huì)受到嚴(yán)重影響，即存在模態(tài)混疊和末端效應(yīng)等問題，導(dǎo)致提取的故障特征不明顯、誤差大或失真等問題。為解決EMD分解的問題，?Yeh等提出了互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMD）降噪方法，即采用添加成對(duì)的正負(fù)白噪聲的形式，很好地消除剩余輔助噪聲、模態(tài)混疊和末端效應(yīng)的問題。雖然CEEMD能解決EMD存在的問題，但想要在強(qiáng)噪聲的背景下提取出退化初期時(shí)振動(dòng)信號(hào)的微弱特征還有很大不足。因此，還需要對(duì)CEEMD分解之后的信號(hào)進(jìn)行進(jìn)一步的降噪處理。

小波閾值降噪的方法是由DONOHO等提出的，其中包括硬閾值去噪法和軟閾值去噪法，該方法計(jì)算量小，應(yīng)用廣泛。但該方法本身存在缺陷，小波硬閾值函數(shù)不連續(xù)，降噪后可能會(huì)產(chǎn)生振蕩。小波軟閾值雖然具有較好的連續(xù)性，但處理后的小波系數(shù)和真實(shí)小波系數(shù)存在偏差，重構(gòu)信號(hào)時(shí)誤差增大，精度下降。因此，選擇一個(gè)合適的小波閾值函數(shù)尤為重要。周西峰等提出一種漸進(jìn)半軟閾值函數(shù)方法，解決了硬閾值函數(shù)中的間斷點(diǎn)問題，但沒有解決軟閾值函數(shù)的缺點(diǎn)，經(jīng)過其方法降噪后的振動(dòng)信號(hào)仍存在偏差。陳濤等在對(duì)背景噪聲中的軸承信號(hào)去噪時(shí)采用SVD歸一化強(qiáng)度軟閾值降噪的方法，降噪效果顯著，但降噪后的故障特征不夠明顯，存在其他譜峰的干擾，對(duì)于早期微弱故障信號(hào)的提取比較困難。因此，本文提出一種新的改進(jìn)小波閾值函數(shù)，具有連續(xù)性，而且靈活性較好，能保留信號(hào)中有效的信號(hào)特征，解決了硬閾值和軟閾值的缺點(diǎn)。

將降噪后的信號(hào)結(jié)合快速譜峭度和帶通濾波進(jìn)行Hilbert的故障特征提取。在已有的研究中已驗(yàn)證其有效性。田晶等采用Birge?Massart閾值與EEMD和快速譜峭度相結(jié)合的方法對(duì)滾動(dòng)軸承進(jìn)行降噪，較好地提取軸承故障特征頻率。李宏坤等將粒子濾波算法和快速譜峭度相結(jié)合進(jìn)行故障分析，降噪效果較好，但該方法對(duì)軸承內(nèi)圈的邊帶頻的提取效果不是很好。趙見龍等將共振稀疏分解與譜峭度圖分析相結(jié)合，能夠準(zhǔn)確清晰判斷出軸承故障的狀態(tài)。

本文提出一種新的改進(jìn)小波閾值函數(shù)在強(qiáng)噪聲背景下提取出早期微弱故障信號(hào)特征的方法。早期故障信號(hào)的特點(diǎn)為故障信號(hào)弱，故障特征不明顯，因此，在對(duì)早期故障信號(hào)進(jìn)行降噪時(shí)，很難將微弱故障特征保留。本文將滾動(dòng)軸承振動(dòng)信號(hào)在退化初期時(shí)的信號(hào)定義為早期故障信號(hào)，通過進(jìn)一步采用新改進(jìn)的小波閾值進(jìn)行降噪，再對(duì)降噪后的信號(hào)進(jìn)行快速譜峭度和帶通濾波，最后進(jìn)行Hilbert包絡(luò)計(jì)算，不僅降噪的效果明顯，而且在降噪時(shí)能將微弱的故障信號(hào)保留，去除了其他干擾，能清晰地提取出早期微弱信號(hào)的故障特征。結(jié)果顯示本文所提方法的降噪效果相比于傳統(tǒng)小波閾值函數(shù)有明顯提高，從Hilbert包絡(luò)譜中也能清楚準(zhǔn)確地提取出滾動(dòng)軸承的故障特征頻率，驗(yàn)證了所提方法的有效性。