摘要：目前火電廠中托輥故障監(jiān)測主要通過人工巡檢的方式進行，工作強度大且環(huán)境惡劣。針對輸送皮帶機中托輥故障監(jiān)測問題，提出了基于VMD與包絡(luò)譜峭度的輸送皮帶托輥故障聲音特征提取方法。首先對采集到的聲音信號進行VMD濾波，將聲音信號分解成若干個IMF分量；對各個IMF分量分別計算包絡(luò)譜峭度，選取峭度最大的分量作為故障成分占比最多的分量；再對其進行時域與包絡(luò)分析驗證，提取出故障聲音特征。實驗結(jié)果表明，所提方法能夠?qū)崿F(xiàn)輸送皮帶托輥故障聲音特征提取。

關(guān)鍵詞：輸送皮帶機；托輥故障；特征提取；VMD；包絡(luò)譜峭度

中圖分類號：TH133.3" 文獻標志碼：A" 文章編號：1671-0797（2023）07-0059-04

DOI：10.19514/j.cnki.cn32-1628/tm.2023.07.015

0" " 引言

輸送皮帶機具有操作簡單、運輸成本低、效率高等優(yōu)勢，在火電廠燃煤輸送系統(tǒng)中得到了廣泛應(yīng)用。但在機器運行過程中經(jīng)常會出現(xiàn)一些故障，如托輥卡澀、托輥彎曲、皮帶跑偏、打滑等，多為托輥軸承失效所致，有必要對輸送皮帶機托輥故障進行監(jiān)測與診斷，提高輸送皮帶機巡檢效率。

目前，輸送皮帶機托輥故障監(jiān)測主要集中在基于托輥振動和聲音兩種方法。文獻[1]通過分析一維振動信號實現(xiàn)對輸送皮帶機托輥的故障監(jiān)測，文獻[2]提出了一種基于二階瞬態(tài)提取變換的托輥軸承故障提取方法，文獻[3]采取了CEEMDAN、PCA等方法對托輥故障特征進行提取，文獻[4]使用差分法與線性分類法對托輥故障進行分級識別。而上述通過聲音信號檢測的方法均只對故障托輥的周期性沖擊信號進行了分析，但在實際生產(chǎn)環(huán)境中，采集到的聲源信號還可能受到強背景噪聲與非周期性瞬態(tài)沖擊的影響。

針對以上分析，本文以封閉空間內(nèi)的輸送皮帶機托輥為研究對象，提出了一種基于VMD與包絡(luò)譜峭度的輸送皮帶托輥故障聲音特征提取方法。

1" " 變分模態(tài)分解（VMD）

變分模態(tài)分解（Variational Mode Decomposition，VMD）求解步驟如下[5]：

（1）Hilbert變換用于分析模態(tài)分量uk（t）并獲取解析信號及其相應(yīng)的單邊譜。

式中：δ（t）為脈沖函數(shù)。

（2）設(shè)定各模態(tài)分量的中心頻率為wk，為了將信號頻譜移動到基帶，需要與指數(shù)信號e和wk構(gòu)造的函數(shù)相乘。

（3）構(gòu)建約束變分模型，計算各分量信號帶寬。

2" " 譜峭度

2.1" " 時域峭度

峭度是信號分析中最為常用的一種特征指標，用來反映信號稀疏性，峭度值大小與運行設(shè)備自身參數(shù)無關(guān)，其表達式為[6]：

式中：x為振動信號；μ為振動信號均值；σ為信號標準差。

當托輥軸承發(fā)生故障時，峭度值大于3，且隨著故障的嚴重程度不斷升高。但是峭度指標具有明顯的局限性，只能度量沖擊成分在故障信號中所占比例大小。在托輥運轉(zhuǎn)過程中，托輥軸承表面磨損和缺陷在相互作用力的影響下產(chǎn)生的信號具有周期性，這也是軸承故障最明顯的特征，與外界干擾產(chǎn)生的偶然沖擊脈沖有所不同。

為了驗證外界干擾對時域峭度的影響，本文采用軸承外圈故障模擬信號進行分析，模擬信號的數(shù)學(xué)模型如式（5）所示，模型中包含周期性故障沖擊成分和干擾成分兩部分。

式中：A為振幅；ξ為阻尼比；f為特征頻率；f0為系統(tǒng)的固有頻率；n（t）為噪聲。

模擬信號為外圈故障信號，其參數(shù)分別為振幅A=2，f0=1 500 Hz，采樣頻率為8 192 Hz，采樣時間為1 s，f=25 Hz。在模擬信號中分別添加信噪比為-8 dB和-16 dB的噪聲，添加噪聲后的模擬信號的時域波形分別為x1（t）、x2（t），如圖1、圖2所示。

計算結(jié)果如表1所示。

根據(jù)時域峭度準則，峭度值越大，含有的故障成分所占比例越高，添加有-8 dB信噪比的模擬信號經(jīng)過VMD分解后，IMF2分量的峭度值最高，同理模擬信號x2（t）中IMF3分量的峭度值最高，兩個模態(tài)分量時域圖如圖3、圖4所示。

結(jié)果表明，當信噪比較高時，峭度能很好地識別周期故障脈沖的共振頻帶。為了進一步驗證峭度性能，使用式（6）模擬信號進行分析。模擬信號由周期沖擊成分、非周期瞬態(tài)沖擊成分和噪聲成分組成，其中，周期故障沖擊成分的固有頻率設(shè)為1 500 Hz，非周期瞬態(tài)沖擊成分的固有頻率設(shè)為3 600 Hz。

其中，A1=3和A2=6分別為非周期瞬態(tài)沖擊成分的振幅，b1=260、b2=360、t1=0.18 s、t2=0.5 s和f1=f2=3 600 Hz分別為非周期瞬態(tài)沖擊成分的阻尼參數(shù)、時間參數(shù)和固有頻率。在外圈故障的原始模擬信號加上信噪比為-10 dB的噪聲干擾，圖5為模擬信號x（t）的時域波形。

x（t）各IMF的峭度值如表2所示，最大分量是IMF4，對應(yīng)的時域和包絡(luò)譜如圖6和圖7所示，在時域圖中可以發(fā)現(xiàn)模擬信號的非周期性瞬態(tài)沖擊成分，但是在頻域圖中無法獲取到軸承外圈故障特征頻率信息，說明時域峭度指標僅能衡量信號中的沖擊特征，在軸承故障特征提取過程中容易受到非周期性瞬態(tài)沖擊成分的干擾。

2.2" " 包絡(luò)譜峭度

包絡(luò)譜峭度是一種反映信號中的沖擊成分如何隨頻率變化的數(shù)學(xué)統(tǒng)計指標，對周期沖擊信號十分敏感[7]。

托輥軸承故障的聲音信號具有明顯的周期性和沖擊性特征，時域峭度指標僅對沖擊性特征敏感，當聲音信號中具有非周期性瞬態(tài)沖擊成分時，容易受到影響。包絡(luò)譜峭度將峭度的計算過程延展到頻域范圍，可以利用故障信息的周期性特點，從而消除信號中偶然振動沖擊成分所引入的干擾。

設(shè)時域信號為x（t），利用VMD將x（t）分解成若干個分量xi（t），則模態(tài)分量的解析信號為：

式中：i（t）為xi（t）的Hilbert變換，其中i=1，2，3，…。

因此該IMF分量的包絡(luò)信號為：

對應(yīng)的包絡(luò)信號頻譜為：

式中：m=0，1，…，N-1。

設(shè)軸承故障頻率為fr，當軸承發(fā)生故障時，可以對含有故障成分的分量進行包絡(luò)譜分析，觀察是否有故障頻率或其倍頻存在，因此在計算其譜峭度時，只計算[fr，4fr]以內(nèi)的譜線NUMu，信號包絡(luò)譜峭度為：

KES值越大，濾波后信號的周期性特征就越明顯。

對圖5中波形進行VMD分解，如表3所示，峭度值最大為IMF2，對應(yīng)的時域和包絡(luò)波形如圖8和圖9所示，可以明顯發(fā)現(xiàn)軸承外圈故障的特征頻率信息，由此驗證了包絡(luò)譜峭度分析對存在周期性故障沖擊成分的信號效果比較明顯。

3" " 基于實驗數(shù)據(jù)的峭度對比分析

為進一步驗證包絡(luò)譜峭度在提取托輥故障周期性沖擊成分時的性能優(yōu)于時域峭度，在圖10所示皮帶輸送機中測試故障聲音信號，如圖11（a）和（b）所示，僅從圖中無法直接觀察到軸承故障特征信息。

利用VMD（分解層數(shù)為4，懲罰因子為5 000）對采集的聲音信號進行分解，對分解得到的IMF分量分別計算時域峭度和包絡(luò)譜峭度，如表4所示，IMF4分量峭度值最大，其時域波形和包絡(luò)譜圖分別如圖12（a）和（b）所示，時域圖中的周期性故障沖擊成分不明顯，同時包絡(luò)譜中也無法觀察到故障特征頻率信息，表明在強背景噪聲的影響下，時域峭度在軸承故障特征提取過程中具有不穩(wěn)性。

對VMD分解后的各IMF分量分別進行包絡(luò)譜峭度計算，計算結(jié)果如表5所示，其中IMF2分量的包絡(luò)譜峭度最大，該分量的時域圖和包絡(luò)譜圖分別如圖13（a）和（b）所示，在時域波形中可以清晰觀察到周期性沖擊成分，且從包絡(luò)譜圖中也可以發(fā)現(xiàn)明顯故障特征頻率（4.2 Hz）以及8.1 Hz的倍頻成分，表明包絡(luò)譜峭度具有很好的魯棒性，可以準確識別托輥聲源信號中的周期性故障沖擊成分。

4" " 結(jié)論

本文以輸送皮帶機托輥故障的聲音信號為研究對象，提出了一種基于VMD與包絡(luò)譜峭度分析的輸送皮帶托輥故障聲音特征提取方法。通過以上研究，得出以下結(jié)論：

（1）輸送皮帶機托輥運行環(huán)境嘈雜，傳感器采集的聲音信號中往往含有大量非周期性瞬態(tài)沖擊成分與噪聲，需要采用VMD與包絡(luò)譜峭度結(jié)合的方法提取出含有故障信息的分量。

（2）仿真分析和實驗對比展示了包絡(luò)譜峭度指標在應(yīng)對偶然沖擊方面和強背景噪聲時的優(yōu)越性。

[參考文獻]

[1] 陳維望，李軍霞，張偉.基于分支卷積神經(jīng)網(wǎng)絡(luò)的托輥軸承故障分級診斷研究[J].機電工程，2022，39（5）：596-603.

[2] 彭程程.基于二階瞬態(tài)提取變換的滾動軸承故障特征提取方法研究[J].機電工程，2021，38（10）：1246-1252.

[3] 郝洪濤，蘇耀瑞，丁文捷，等.托輥非接觸式故障識別方法研究[J/OL].機械科學(xué)與技術(shù)：1-8.（2022-03-09）[2022-06-28].https：//kns.cnki.net/kcms2/article/abstract？v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD67y4xD6PmEHDT-jW3T0gCgliAub_FMZLkh1pMFfjWKBlqIQiKJrKtTJamp;uniplatform=NZKPT.

[4] 毛坤鵬，貝紹軼.基于優(yōu)化VMD的滾動軸承故障診斷方法[J].江蘇理工學(xué)院學(xué)報，2021，27（4）：76-84.

[5] 楊林順，楊明錦.基于音頻的皮帶機托輥故障診斷系統(tǒng)設(shè)計[J].儀表技術(shù)，2019（7）：18-21.

[6] 李翠省，廖英英，劉永強.基于EEMD和參數(shù)自適應(yīng)VMD的高速列車輪對軸承故障診斷[J].振動與沖擊，2022，41（1）：68-77.

[7] 馬增強，李亞超，阮婉瑩，等.基于變分模態(tài)分解和譜峭度法的滾動軸承故障特征提取[J].電子測量與儀器學(xué)報，2017，31（11）：1782-1787.

收稿日期：2022-12-14

作者簡介：劉春（1978—），男，河北吳橋人，工程師，從事火力發(fā)電廠燃料輸送技術(shù)研究與管理工作。