MED和WPT技术在轴承故障检测中的应用*

张　丹 ，隋文涛， 黄雪梅

(山东理工大学 a.电气与电子工程学院；b.机械工程学院，山东 淄博　255049)



MED和WPT技术在轴承故障检测中的应用*

张丹a，隋文涛b， 黄雪梅b

(山东理工大学 a.电气与电子工程学院；b.机械工程学院，山东 淄博255049)

针对滚动轴承早期故障信息难以提取的问题，提出了一种基于最小熵卷积(MED)、小波包分解(WPT)和包络分析轴承故障检测技术，首先把采集的振动信号进行最小熵卷积处理，并根据包络谱稀疏度选择MED的滤波器长度。然后再将卷积后信号进行小波包分解，从所有的小波包节点中选择出包含故障敏感信息的节点。最后通过功率谱凸显轴承故障特征频率信息。通过实际信号对该方法进行了验证，结果表明该方法能够准确判明轴承运行状态。

最小熵卷积；小波包分解；包络分析；轴承故障

ZHANG Dana，SUI Wen-taob，HUANG Xue-meib

(a.School of Electrical & Electronic Engineering；b.School of Mechanical Engineering, Shandong University of Technology, Zibo Shandong 255049, China)

0　引言

滚动轴承是旋转机械中是重要的部件之一，轴承的损坏可能引起机械故障，甚至可能导致严重事故。因此，有效的故障检测技术能够在轴承故障初期识别故障，为了实现这个目标提出了不同的轴承振动信号分析方法[1-3]。

比较常用的分析技术包括时域指标法、常规频谱分析技术和现代信号处理方法，例如快速傅里叶变换(STFT)、Wigner-Ville 分布(WVD)、小波变换(WT)和小波包变换(WPT)等。包络分析是最有效的方法，因为包络信号比原始信号包含了更多的与轴承故障相关的特征。包络分析的难点是谐振频率带的合理选择，在这方面进行了许多的研究。近些年，经验模态分解(EMD)的方法在故障诊断中取得了广泛应用[4-5]，信号的固有模态函数(IMF)被选择用来做包络分析。但是IMF的选择是非常困难的，同时也不能保证这首个IMF对故障是敏感的。

针对滚动轴承早期故障信息难以提取的问题，本文提出了一种新的轴承故障检测方法。该方法包括两个重要部分，一个是用MED来加强故障信息；另外一个是选择合适的小波包节点，换言之选取包络分析的最佳频率带。

1　MED与小波包节点选取

1.1MED与滤波长度选择

MED的主要原理是假设原始信号含有冲击或具有高峭度值，通过建立一个逆滤波器来抵消传输路径的影响，原理如图1所示。

图1　MED示意图

如果轴承在工作中出现故障就会产生近似脉冲的信号s(n)，s(n)通过机械零件传输到传感器，滤波器h显示了传递路径对信号的影响。冲击信号s(n)中不可避免的混入噪声v(n)，两者叠加形成信号d(n)，它也是是传感器直接检测到的信号。x(n)是MED滤波器f的输出信号，通过使x(n)的峭度最大化计算出滤波器系数，最终目标是让逆滤波器f恢复原始信号的脉冲s(n)。

输出信号x(n)看做是是长度为L的有限脉冲滤波器滤波器f对传感器信号d(n)的作用结果，

很多机械故障检测研究已经采用了MED滤波器，但是最重要的一项参数即滤波长度，无法实现自动选取，这限制了在现实时变工作环境中应用。

对于轴承故障检测，在得到合适的MED滤波长度后，故障信息应该更加突出，包络频谱应该具有稀疏性。稀疏度表示如下：

信号x(t)的包络线可以通过希尔伯特转换计算得到，如下。

本文提出了一种根据包络频谱稀疏度选取最佳滤波长度的方法，公式如下：

LO=arg(L)max{spar(env(MEDL(x)))}

s.t.L=23,24,…210

1.2基于最优小波包节点的包络分析

小波包变换(WPT)是离散小波变换(DWT)的延伸。与DWT不同的是在WPT中每一个细节信号被进一步分解为近似信号和细节信号，如图2所示。为了加快计算速度，用以下方法计算小波包系数:

小波包的子节点(j+ 1, 2p)和 (j+ 1, 2p+ 1)来自他们的母节点(j，p)。

这里的h(n)和g(n)是共轭镜像滤波器，h(n)是低通滤波器，g(n)是高通滤波器，*是卷积符号。

图2　小波包分解示意图

1.3固有模态函数的选择方法

在介绍了最小熵卷积(MED)和小波包节点选取的方法后，对本文提出的轴承故障诊断方法总结为如下步骤：

步骤一：加载原始轴承振动信号；

步骤二：应用最小熵卷积加强故障信号，为了能够选择合适的MED滤波长度，采用包络频谱稀疏度作为衡量指标，选取衡量指标最大时对应的滤波器长度。

步骤三：小波包变换(WPT)和节点选择。选择合适的小波包节点的目的是确定包络分析的最佳频率带。

步骤四：包络功率谱分析，使得使轴承故障特征频率在频域中更加显著。

2　方法验证

2.1实验台与数据采集

通过分析一些实验来检验本文提出的轴承故障检测技术的有效性。实验数据来自于加拿大湖首大学Wilson Wang教授[6]。如图3所示，用一个转速为20～3000转/秒的异步电机来驱动系统。电磁制动器通过一个锥形齿轮减速器和皮带传动来限制可变负荷。一个光学传感器测量轴速度并提供脉冲信号。测试轴承的型号是MBER-10K，信号测试条件如下：轴速度为2100转/秒，采样频率为32768Hz。

外圈故障特征频率为fO，内圈故障特征频率为fI，滚动体故障特征频率为fB分别为106.75Hz、173.25Hz、139.3Hz。

图3　实验设备

2.2方法对比

为了验证本文提出方法的有效性，与几种方法进行了对比分析。本文提出的技术包含最小熵解卷积、小波包变换和包络分析，将最小熵解卷积和包络分析的组合简称为MED-EA。同理，把小波包变换与包络分析的组合简称为WPT-EA，经典的包络分析方法简称为EA。

图4显示了对轴承外圈故障信号处理的结果对比，其中故障特征频率fO=107.5 Hz。可以看出在这种情况下除了图4d包络分析之外，所有的技术都能够识别出轴承故障，这也说明不能选择合适的共振频率带，包络分析就无法发现故障信息。由于MED对故障信息的增强效应，本文方法和MED-EA方法都能检测到1～4阶的故障特征频率谐波。

图4　外圈故障检测对比

图5显示了对轴承内圈故障信号处理的结果对比，其中故障特征频率fI=173 Hz。虽然前三个方法能够识别出故障频率，但是图5c所示的WPT-EA方法检测出的故障频率成分不是主导成分，而其它强烈的频率部分可能导致错误的诊断结果。同时，图5b所示MED-EA方法的故障频率对应的幅值比本文提出的方法低一些。

图5　内圈故障检测对比

图6显示了对轴承滚动体故障信号处理的结果对比，其中故障特征频率fB=139 Hz。本文方法提供了清楚地故障特征频率1～3阶故障特征频率。相应的WPT-EA和MED-EA方法分别只能检测出1或2阶谐波。

图6　滚动体故障分析对比

3　总结

基于最小熵卷积和小波包分解提出了一种新的滚动轴承故障检测技术。它包含三个步骤：信号增强，小波包变换节点的选择和包络功率谱分析。采集的信号首先通过MED滤波器的加强使信号故障信息更加显著，再根据包络频谱稀疏度提出一个新的指标选择MED滤波长度。然后把加强的信号分解为WPT节点。根据小波包节点信号的稀疏度已经提出了特有的节点选择方法和公式。最后应用功率谱增强轴承故障的特征频率。通过实验测试已经验证了本文方法对于不同轴承工况检测的有效性。结果表明MED滤波能够有效地消除信号干扰，增强相关的故障脉冲。WPT节点能够快速的选择出与轴承故障最相关的最佳的节点。本文提出的方法非常有效，在现实旋转机械设备中对轴承故障的检测有很大的潜力。

[1] 刘复飞.EEMD与Duffing振子的电机轴承早期故障检测[J]. 组合机床与自动化加工技术,2015 (10):94-97.

[2] 隋文涛, 张丹, Wilson Wang. 基于EMD和MKD的滚动轴承故障诊断方法[J]. 振动与冲击, 2015, 34(9):55-59.

[3] 许同乐，侯蒙蒙，蔡道勇,等．FastICA遗传神经网络算法[J]．北京邮电大学学报，2014，37(4): 25-28.

[4] 任学平，辛向志，庞震，等. 基于IMF熵的多传感器网络融合滚动轴承故障诊断方法研究[J]. 组合机床与自动化加工技术,2015(6):78-82.

[5] 魏永合,王明华，林梦菊，等. 基于改进EEMD的滚动轴承故障特征提取技术[J].组合机床与自动化加工技术，2015 (1):87-90.

[6] Sui Wentao，Osman. Shazali, W. Wilson, An adaptive envelope spectrum technique for bearing fault detection [J]. Measurement Science and Technology, 2014，25(9):1-9.

(编辑李秀敏)

The Application of MED and WPT in Bearings Fault Detection

A new technique is proposed in this work for fault detection in rolling element bearings, which is based on minimum entropy deconvolution (MED), wavelet packet decomposition (WPT) and envelop analysis. Firstly, the collected vibration signal is preprocessed to highlight defect-related impulses, and a new indicator named envelope spectra sparsity is proposed to automatically select the filter length of MED. Then the preprocessed signal is decomposed into WPT nodes, and the most sensitive node containing fault-related information are selected from all the nodes to improve the accuracy of the fault detection. Sparsity of wavelet packet nodes signal is proposed in this step as a measure indicator. Lastly the power spectrum is used to highlight the bearing fault characteristic frequencies. The effectiveness of the proposed technique in feature extraction and analysis is verified by a series of experimental tests corresponding to different bearing conditions.

minimum entropy deconvolution; wavelet packet decomposition; envelope analysis; bearing fault

1001-2265(2016)09-0051-03DOI:10.13462/j.cnki.mmtamt.2016.09.014

2016-02-04

国家自然科学基金(51305243)；山东省自然科学基金 (ZR2012EEL06)

张丹(1977—)，女，河北邯郸人，山东理工大学讲师，研究方向为机械信号处理，(E-mail)zhangdan_sdut@163.com。

TH165；TG659

A