汪思?jí)? 田中旭, 魯洪江

(上海海洋大學(xué) 工程學(xué)院,上海 201306,E-mail:smWang1115@163.com)

滑動(dòng)軸承結(jié)構(gòu)簡單、承載能力強(qiáng),作為柴油機(jī)、內(nèi)燃機(jī)等大型旋轉(zhuǎn)機(jī)械中最重要的支撐部件[1],針對其進(jìn)行監(jiān)測,及時(shí)了解其運(yùn)行狀態(tài)和發(fā)現(xiàn)運(yùn)行故障,對于保證滑動(dòng)軸承的安全運(yùn)行具有重要意義[2]。

目前,對于滑動(dòng)軸承進(jìn)行故障診斷主要基于振動(dòng)信號(hào)[3]。文獻(xiàn)[4]利用滑動(dòng)軸承的振動(dòng)信號(hào),提出了基于EMD的全矢譜故障特征提取新方法。文獻(xiàn)[5]提出了一種基于多重共振稀疏分解與多尺度符號(hào)動(dòng)力學(xué)熵相結(jié)合的往復(fù)壓縮機(jī)滑動(dòng)軸承故障診斷方法成功實(shí)現(xiàn)滑動(dòng)軸承的故障診斷。然而一些含滑動(dòng)軸承的大型機(jī)械設(shè)備一般處在高速旋轉(zhuǎn)以及高溫、高壓等復(fù)雜工作環(huán)境下,加速度傳感器等接觸式傳感器的不易安裝[6],利用振動(dòng)信號(hào)對滑動(dòng)軸承進(jìn)行故障診斷受到限制。近年來,很多學(xué)者開始利用聲音信號(hào)進(jìn)行機(jī)械運(yùn)行狀態(tài)監(jiān)測[7]。采集聲音信號(hào)的傳感器安裝不受環(huán)境限制,不僅可以獲取與振動(dòng)相關(guān)的信息,還可以獲取設(shè)備更多的狀態(tài)信息。文獻(xiàn)[8]提出一種基于改進(jìn)形態(tài)-小波閾值降噪的軸承復(fù)合故障診斷聲音診斷方法,即對采集到的故障軸承聲音信號(hào)進(jìn)行降噪處理,最終提取出了軸承故障特征頻率。文獻(xiàn)[9]利用改進(jìn)的局域均值分解方法,分離聲音信號(hào)中的不同成分,濾除了多個(gè)振源信號(hào)的噪聲干擾,實(shí)現(xiàn)了齒輪箱故障監(jiān)測。文獻(xiàn)[10]利用速度波動(dòng)的電機(jī)軸承,通過對原始瞬態(tài)聲音信號(hào)的角度重新采樣,實(shí)現(xiàn)了變速電機(jī)軸承故障診斷。

本文將聲音信號(hào)應(yīng)用于滑動(dòng)軸承故障診斷當(dāng)中,但基于聲音信號(hào)的設(shè)備故障診斷目前存在很多仍需解決的問題,其中最主要的是噪聲干擾問題[11]。首先,傳聲器采集到的信號(hào)除旋轉(zhuǎn)部件旋轉(zhuǎn)產(chǎn)生的聲音信號(hào)之外,還包括設(shè)備其他部件例如電機(jī)等產(chǎn)生的噪聲,相較于振動(dòng)信號(hào)受到噪聲干擾更加嚴(yán)重;同時(shí)聲音信號(hào)傳遞到傳聲器的過程中在空氣中會(huì)有所衰減,信號(hào)特征更加微弱,造成傳聲器中采集到的信號(hào)成分十分復(fù)雜,給研究帶來了很大的難度。此外,滑動(dòng)軸承還存在潤滑狀況和摩擦磨損等特征在聲音信號(hào)中體現(xiàn)非常不明顯的問題,導(dǎo)致利用聲音信號(hào)進(jìn)行滑動(dòng)軸承故障診斷研究難度大、研究少。

針對上述問題,提出改進(jìn)小波包降噪和共振稀疏分解(RSSD)的滑動(dòng)軸承聲音診斷方法,降低滑動(dòng)軸承故障聲音信號(hào)中的噪聲干擾,分離故障特征信號(hào),提取故障特征頻率。

1 改進(jìn)小波包降噪與RSSD的滑動(dòng)軸承聲音診斷方法

1.1 改進(jìn)小波包降噪

滑動(dòng)軸承在運(yùn)轉(zhuǎn)時(shí),其聲音信號(hào)顯示出非線性非平穩(wěn)的特點(diǎn),且故障特征在聲音信號(hào)中體現(xiàn)不明顯,受到嚴(yán)重的噪聲干擾。因此,在進(jìn)行滑動(dòng)軸承故障診斷時(shí)需要有效抑制噪聲干擾。

本文提出的改進(jìn)小波包降噪方法主要包括兩個(gè)部分:一是對小波包分解進(jìn)行優(yōu)化,二是對小波包降噪進(jìn)行改進(jìn)。

一般情況下,人為設(shè)定小波包降噪?yún)?shù)具有隨機(jī)性。因此,在對聲音信號(hào)進(jìn)行小波包降噪處理之前需要研究小波基函數(shù)、分解層數(shù)對降噪效果的影響,利用網(wǎng)格搜索法篩選最佳參數(shù)組合對滑動(dòng)軸承聲音信號(hào)進(jìn)行小波包分解。

傳統(tǒng)閾值僅與信號(hào)長度相關(guān),然而噪聲成分多存在于高頻部分,隨著分解尺度的增加而減少,所以傳統(tǒng)固定閾值會(huì)濾除有用成分[12]。因此針對不同的小波分解尺度,需要選擇與分解尺度相適應(yīng)的閾值。針對傳統(tǒng)閾值計(jì)算并未考慮到小波包分解尺度的問題,提出一種與分解尺度相適應(yīng)的閾值對滑動(dòng)軸承聲音信號(hào)進(jìn)行小波包閾值降噪處理。

1.2 共振稀疏分解

當(dāng)滑動(dòng)軸承發(fā)生故障時(shí),其聲音信號(hào)中會(huì)產(chǎn)生大量沖擊成分,因此滑動(dòng)軸承故障診斷的關(guān)鍵在于提取故障特征信號(hào)。共振稀疏分解方法基于信號(hào)的共振屬性,可以有效將信號(hào)中的不同成分進(jìn)行分離。將共振稀疏分解方法應(yīng)用于滑動(dòng)軸承故障聲音信號(hào)中有望從故障復(fù)合信號(hào)中分離出故障沖擊信號(hào)。

▲圖1 滑動(dòng)軸承聲音診斷方法流程圖

共振稀疏分解[13-14]方法具體實(shí)現(xiàn)過程為:首先利用可調(diào)品質(zhì)因子小波變換對信號(hào)進(jìn)行雙通道濾波,獲得相應(yīng)的小波基函數(shù)庫,信號(hào)里的不同成分可以用小波基函數(shù)庫稀疏表示;再利用形態(tài)分量分析建立目標(biāo)函數(shù),采用分裂增廣拉格朗日搜索算法對目標(biāo)函數(shù)進(jìn)行迭代,計(jì)算出目標(biāo)函數(shù)的最小值,得到目標(biāo)函數(shù)最小值對應(yīng)的高、低共振系數(shù)以及對應(yīng)的高、低共振分量,實(shí)現(xiàn)信號(hào)中不同成分的分離。

本文提出改進(jìn)小波包降噪與RSSD的滑動(dòng)軸承聲音診斷方法流程如圖1所示,具體步驟如下。

(1) 采用網(wǎng)格搜索法篩選最佳參數(shù)組合對滑動(dòng)軸承聲音信號(hào)進(jìn)行小波包分解;

(2) 由于噪聲信號(hào)多存在于高頻段,利用本文提出與分解尺度相適應(yīng)的閾值對分解后的高頻系數(shù)進(jìn)行閾值量化處理;

(3) 利用小波包分解后的低頻系數(shù)和經(jīng)過閾值量化的高頻系數(shù)進(jìn)行信號(hào)的重構(gòu),達(dá)到聲音信號(hào)降噪的目的;

(4) 對降噪后的滑動(dòng)軸承聲音信號(hào)進(jìn)行共振稀疏分解,分離出聲音信號(hào)中的故障特征信號(hào),即低共振分量;

(5) 對低共振分量進(jìn)行包絡(luò)分析,提取出故障特征頻率。

2 信號(hào)采集

實(shí)驗(yàn)采用DHRMT-1轉(zhuǎn)子實(shí)驗(yàn)臺(tái),轉(zhuǎn)子實(shí)驗(yàn)臺(tái)(圖2),實(shí)驗(yàn)臺(tái)由轉(zhuǎn)子控制器、電機(jī)、光電測速儀、兩個(gè)滑動(dòng)軸承和兩個(gè)平衡盤構(gòu)成。兩個(gè)電容式傳聲器靈敏度分別為47.31 mv/Pa和44.66 mv/Pa。將兩傳聲器分別安裝在三角支架上,為有效采集滑動(dòng)軸承聲音信號(hào),將兩個(gè)傳聲器放置在靠近電機(jī)端和遠(yuǎn)離電機(jī)端的兩滑動(dòng)軸承前;兩個(gè)傳聲器與滑動(dòng)軸承之間的距離保持一致;為了避免聲音反射干擾,將傳聲器與加速度傳感器分別布置在轉(zhuǎn)子兩側(cè)。聲音信號(hào)的采集使用8通道陣列信號(hào)采集儀,采樣頻率為12 000 Hz,采樣時(shí)間為0.5 s。遠(yuǎn)離電機(jī)端的滑動(dòng)軸承聲音信號(hào)和振動(dòng)信號(hào)對比如圖3、4所示。

從圖3中可以看出,聲音信號(hào)和振動(dòng)信號(hào)都顯示出非線性非平穩(wěn)的特點(diǎn),其中聲音信號(hào)受到噪聲干擾更加嚴(yán)重。從圖4中可以看出,振動(dòng)信號(hào)的頻譜圖按照基頻呈現(xiàn)存出周期性的特性,聲音信號(hào)的頻譜圖無規(guī)則,且頻率特征幾乎淹沒在噪聲當(dāng)中。因此,利用聲音信號(hào)對滑動(dòng)軸承進(jìn)行故障診斷有兩個(gè)重要的步驟,首先需要對聲音信號(hào)進(jìn)行降噪處理,其次是從降噪后的聲音信號(hào)中分離出故障信號(hào),提取故障特征頻率。

▲圖2 實(shí)驗(yàn)臺(tái)測點(diǎn)布置

▲圖3 聲音信號(hào)與振動(dòng)信號(hào)對比

▲圖4 聲音信號(hào)與振動(dòng)信號(hào)頻譜對比

3 滑動(dòng)軸承故障實(shí)驗(yàn)方法與分析

3.1 滑動(dòng)軸承聲音信號(hào)降噪實(shí)驗(yàn)分析

由于轉(zhuǎn)子臺(tái)控制器后的風(fēng)扇轉(zhuǎn)動(dòng)產(chǎn)生大量噪聲,靠近電機(jī)端的傳聲器采集到的聲音信號(hào)受噪聲干擾更加嚴(yán)重,因此選擇此信號(hào)來研究各參數(shù)對降噪效果的影響規(guī)律。

本文以信噪比(SNR)和均方誤差(MSE)作為評(píng)價(jià)小波包降噪效果的指標(biāo)。在信號(hào)不發(fā)生畸變的情況下,信噪比越大,均方誤差越小則說明降噪效果越好。

(1)

(2)

式中:x(n)為原始信號(hào),y(n)為經(jīng)過降噪處理后的信號(hào),n為采樣點(diǎn)的數(shù)目。

3.1.1 小波基函數(shù)對降噪的影響

選擇常用的Sym、dB、Coif小波基函數(shù),分別對聲音信號(hào)進(jìn)行小波包降噪處理。分解層數(shù)3層,“shannon”熵,閾值函數(shù)為軟閾值,閾值類型選擇“sqtwolog”閾值。結(jié)果如表1所示。

表1 小波基函數(shù)對信噪比和均方誤差的影響

從表1中可以看出,Sym、dB、Coif小波基函數(shù)降噪后的信噪比隨消失矩的增大而增大,均方誤差隨消失矩的增大而減小。

綜合上述表格,經(jīng)Coif5小波基函數(shù)降噪后,在保證信噪比較大的同時(shí)能保證較小的均方誤差。因此,本文選擇Coif5小波基函數(shù)。

3.1.2 分解層數(shù)對降噪的影響

選擇Coif5小波基函數(shù),通過改變分解層數(shù),分析比較降噪效果。當(dāng)分解層數(shù)較多時(shí)會(huì)導(dǎo)致信號(hào)畸變,分解層數(shù)較少會(huì)降低信號(hào)降噪效果,所以將分解層數(shù)聚焦在3～5之間。結(jié)果見圖5。

▲圖5 分解層數(shù)的影響

從圖5中可以看出,信噪比隨著分解層數(shù)的增加而降低,均方誤差均隨著分解層數(shù)的增加而增加;當(dāng)分解層數(shù)為3層時(shí),信號(hào)的信噪比較大且均方誤差都較小。因此,本文選擇分解層數(shù)為3層。

3.1.3 閾值對降噪的影響

軟閾值函數(shù)的定義為:

(3)

傳統(tǒng)閾值λ計(jì)算公式為:

(4)

式中:σ為噪聲標(biāo)準(zhǔn)差;N為信號(hào)長度。

(5)

median|wjk|為小波包分解第一層高頻系數(shù)絕對值的中值,0.674 5為高斯噪聲標(biāo)準(zhǔn)方差調(diào)整系數(shù)。

本文提出與分解尺度相適應(yīng)的閾值,閾值設(shè)定為:

(6)

當(dāng)j=1時(shí),與式(5)計(jì)算結(jié)果相同,當(dāng)j>1時(shí),λj<λ,并隨著j的增大而降低,符合噪聲隨小波變換的分布規(guī)律。

根據(jù)2.2和2.3節(jié)分析可知,最佳參數(shù)組合為Coif5小波基函數(shù)3層分解。對比傳統(tǒng)閾值計(jì)算形式與本文提出與分解尺度相適應(yīng)的閾值降噪后的聲音信號(hào)信噪比與均方誤差,結(jié)果如表2所示。

表2 本文閾值與傳統(tǒng)算閾值降噪效果對比

經(jīng)過計(jì)算,本文提出的閾值計(jì)算形式,在其余參數(shù)相同的情況下,將小波包降噪后聲音信號(hào)的信噪比提高了54.09%,均方誤差減小了80.51%。

3.1.4 對比傳統(tǒng)小波包降噪

傳統(tǒng)小波包降噪方法下的參數(shù)是人為設(shè)定的,為與本文提出的小波包降噪方法進(jìn)行對比,隨機(jī)選擇sym4小波基函數(shù)4層分解、rigrsure無偏似然估計(jì)閾值類型。實(shí)驗(yàn)采集了轉(zhuǎn)子實(shí)驗(yàn)臺(tái)四種不同轉(zhuǎn)速下滑動(dòng)軸承的聲音信號(hào),兩種方法降噪處理結(jié)果如表3所示。

表3 不同工況下本文降噪方法與傳統(tǒng)降噪方法降噪效果對比

從表3中可以看出,對不同工況下的轉(zhuǎn)子實(shí)驗(yàn)臺(tái)滑動(dòng)軸承聲音信號(hào)進(jìn)行降噪處理,利用本文改進(jìn)的小波包降噪方法進(jìn)行降噪處理后的不同工況下的滑動(dòng)軸承聲音信號(hào)的信噪比相較于傳統(tǒng)方法下的滑動(dòng)軸承聲音信號(hào)信噪比大大提高,同時(shí)均方誤差大大降低,證明本文的改進(jìn)小波包降噪方法降噪效果顯著。

3.2 分離滑動(dòng)軸承故障信號(hào)實(shí)驗(yàn)分析

為模擬滑動(dòng)軸承松動(dòng)故障,卸除了實(shí)驗(yàn)臺(tái)遠(yuǎn)離電機(jī)端的滑動(dòng)軸承中的橡膠墊圈?；瑒?dòng)軸承正常運(yùn)轉(zhuǎn)和故障狀態(tài)下的時(shí)域圖如圖6所示。

▲圖6 滑動(dòng)軸承正常運(yùn)轉(zhuǎn)和故障狀態(tài)下的時(shí)域圖

從圖6中可以看出,當(dāng)滑動(dòng)軸承發(fā)生故障時(shí),聲音信號(hào)的振幅明顯增大,且由于卸除了滑動(dòng)軸承中的橡膠墊圈導(dǎo)致間隙過大產(chǎn)生了大量沖擊成分。因此,沖擊信號(hào)是分析提取軸承故障特征的目標(biāo)信號(hào)。

共振稀疏分解算法可以依據(jù)信號(hào)中各種成分品質(zhì)因子的不同,實(shí)現(xiàn)信號(hào)中不同成分的分離,有效分離出信號(hào)中的沖擊成分,提高信號(hào)的沖擊特性。本文選擇高品質(zhì)因子Q1=9、低品質(zhì)因子Q2=3,冗余因子r=3。

首先對滑動(dòng)軸承故障聲音進(jìn)行改進(jìn)小波包降噪處理,結(jié)果如圖7所示。

從圖7中可以看出,經(jīng)過改進(jìn)小波包降噪方法降噪后的滑動(dòng)軸承故障聲音信號(hào)濾除了一部分噪聲,同時(shí)較好的保留了信號(hào)原始的峰值和趨勢。

對經(jīng)過改進(jìn)小波包方法降噪后的信號(hào)進(jìn)行共振稀疏分解結(jié)果如圖8所示。

從圖8中可以看出,分離出的低共振分量中沖擊特征明顯,是滑動(dòng)軸承故障特征信號(hào)。但時(shí)域圖上無法觀察不出頻率信息,因此對分解后的低共振分量進(jìn)行包絡(luò)分析,結(jié)果如圖9所示。

▲圖8 共振稀疏分解結(jié)果圖

▲圖9 故障聲音信號(hào)的包絡(luò)譜對比圖

從圖9中可以看出,未經(jīng)降噪分離處理的原始滑動(dòng)軸承聲音信號(hào)故障特征頻率淹沒在噪聲與干擾當(dāng)中,無法利用包絡(luò)譜準(zhǔn)確判斷滑動(dòng)軸承的故障頻率;然而經(jīng)過改進(jìn)小波包降噪處理以及共振稀疏分解分離后的聲音信號(hào)的包絡(luò)譜可以明顯看到96 Hz的頻率存在顯著的譜線,這是由于間隙過大產(chǎn)生的沖擊頻率,說明本文方法成功分離出了信號(hào)中的沖擊成分,提取出了滑動(dòng)軸承聲音信號(hào)中的故障特征頻率為96 Hz。

4 總結(jié)

本文以含滑動(dòng)軸承的轉(zhuǎn)子實(shí)驗(yàn)臺(tái)為實(shí)驗(yàn)對象,改進(jìn)了小波包降噪方法,有效抑制了滑動(dòng)軸承聲音信號(hào)中的噪聲干擾,應(yīng)用共振稀疏分解方法分離并提取出了滑動(dòng)軸承故障特征信號(hào)和故障特征頻率,實(shí)現(xiàn)了利用聲音信號(hào)進(jìn)行滑動(dòng)軸承故障診斷。經(jīng)過研究,總結(jié)如下:

(1) 以信噪比和均方誤差為標(biāo)準(zhǔn),研究了小波基函數(shù)、分解層數(shù)對降噪效果的影響規(guī)律。Sym、dB、Coif小波基函數(shù)降噪后的信噪比隨消失矩的增大而增大,均方誤差隨消失矩的增大而減小;信噪比隨著分解層數(shù)的增加而降低,均方誤差均隨著分解層數(shù)的增加而增加。

(2) 利用網(wǎng)格搜索法篩選出最佳參數(shù)組合為Coif5小波基函數(shù)3層分解時(shí),小波包分解效果最佳。

(3) 提出了與分解尺度相適應(yīng)的閾值,通過計(jì)算分析,相較于傳統(tǒng)閾值計(jì)算形式降噪后信號(hào)的信噪比提高了54.09%,均方誤差減小了80.51%,具有更優(yōu)的降噪效果。

(4) 應(yīng)用共振稀疏分解算法成功分離出滑動(dòng)軸承故障聲音信號(hào)中的沖擊成分,包絡(luò)分析顯示故障特征頻率96 Hz譜線突出。

(5) 改進(jìn)小波包降噪與RSSD的滑動(dòng)軸承聲音診斷方法去噪效果顯著,能夠有效提高信噪比,解決滑動(dòng)軸承聲音信號(hào)的噪聲干擾問題,成功分離滑動(dòng)軸承發(fā)生故障特征信號(hào),提取故障特征頻率。

(6) 本文方法為滑動(dòng)軸承故障診斷提供了新的思路,具有工程應(yīng)用價(jià)值。