最小熵反卷积在轴承故障特征提取中的应用.pdfVIP

最小熵反卷积在轴承故障特征提取中的应用

发布时间：2022-09-20T05:54:25.551Z来源：《科技新时代》2022年（2月）4期作者：贾宏春

[导读]故障轴承的监测一直以来是机械行业的关注重点。轴承的冲击往往由于传递路径、其他部件的运行振动

贾宏春

中国船舶集团第七一○研究所，湖北宜昌443003）

摘要：故障轴承的监测一直以来是机械行业的关注重点。轴承的冲击往往由于传递路径、其他部件的运行振动、由于制造装配误差等

引起的随机振动等因素影响，冲击特征容易被淹没。本文介绍和研究基于最小熵反卷积方法，建立滚动轴承动力学模型，在模型获得的纯

净故障信号中添加谐波、白噪声，以此探讨最小熵反卷积方法在滚动轴承特征提取方面的应用，为轴承的安全服役提供重要理论参考。

关键词：最小熵反卷积；滚动轴承；动力学模型；特征提取

前言

滚动轴承是旋转机械中常见的通用部件。据统计，旋转机械故障的30％是由轴承故障引起的，而滚动轴承故障的90％是由外圈和内圈

故障引起的[1]。轴承的故障会导致机器剧烈振动和产生刺耳的噪音，甚至还会引起设备的损坏，造成停产，给国家带来严重的经济损失。

目前，滚动轴承的检测方法主要有振动检测、声发射检测、温度检测、润滑剂检测、间隙检测等。其中，振动检测能检测轴承的剥

落、裂纹、磨损、烧伤，且适于早期检测和在线检测，因而，对于振动检测的研究十分广泛[2]。滚动轴承早期故障发生时，非常微弱的故

障特征信息经常被振动信号和随机噪声淹没，对振动信号进行降噪是滚动轴承早期故障诊断的主要途径。轴承的故障冲击往往容易被淹

没，由于传递路径的影响，将被谐波和噪声的干扰。本文将研究最小熵反卷积（MinimumEntropyDeconvolution，MED）方法，探讨最小

熵反卷积对轴承故障特征提取在早期微弱故障诊断中的应用；然后考虑轴承的非线性轴承反力、由于缺陷引起的周期冲击力影响，建立滚

动轴承动力学模型，以此获取时域振动响应。进而在动力学模型振动信号中加入谐波和噪声干扰，利用最小熵反卷积方法对信号进行滤

波，并对滤波后的信号进行包络谱分析，结合诊断结果验证本文所提方法的有效性。

1最小熵反卷积

最小熵反褶积首先由Wiggins[3]提出，是一种系统辨识方法，最初用于提取地震信号中的反射参数信息。Sawalhi[4,5]等于2007年首次

将MED用于齿轮故障诊断。MED的基本思想是:认为故障冲击信号存在“确定性”，在传播过程中与传递路径的作用破坏了这种“确定性”，

即与传递函数卷积后使得熵变大，为恢复到原来的“确定性”状态。Lee[6]等介绍了通过目标函数法寻找“最优”MED滤波器，该方法是使滤

波后输出的峭度达到最大的优化过程。需要指出的是:当轴承从运行良好到故障的过程中，峭度不断增大，因此MED方法可以用来处理轴承

故障振动信号。

MED滤波过程如下所示：

（1）该过程的目标是使寻找滤波器系数向量f来使输出信号y的峭度值达到最优

式中，为故障区域的位置角，为径向载荷。本文以JEMSKF6025-2RS深沟球轴承为研究对象，考虑轴承的外圈故障情况下轴承的振动

响应。采样频率48KHz，轴的转速1772r/min。轴承的几何参数：滚动体直径8mm，轴承节径38.5mm，滚动体数9个，接触角00。轴的回转

频率为29.53Hz由滚动轴承故障特征频率理论计算得到外圈故障特征频率分别为fo=105.87Hz。

由动力学模型计算得到的振动响应如图2所示，存在明显的冲击，且冲击序列之间的时间间隔为外圈故障周期1/fo。对时域波形进行频

谱计算，结果如图3所示，可知由于故障的原因引起了高频振动。

3最小熵反卷积在轴承故障特征提取中的应用

在实际工程中，由于传递路径的影响和其他设备运行的因素，轴承的振动信号中不可避免地存在谐波、噪声干扰。本文向上述故障模

型计算的纯净故障振动信号中加入100Hz和300Hz的正弦信号及其白噪声信号。加噪后的信号的时域波形及其频谱结果分别如图4、图5所

示。由结果可知，由于噪声的影响，故障冲击几乎被淹没，无法观察到故障特征。并从频谱图中可以看出谐波的干扰是十分严重的。

利用MED方法对图4时域波形进行处理，通过以峭度为最大化原则不断迭代，求解出最优的滤

波器，如图6所示。

图6最优滤波器

利用获得的最优滤波器对加噪后信号进行滤波