摘  要：冷轧机在高载荷运行下容易出现轴承故障损伤。为了提高轴承在复杂环境下的振动信号抗干扰能力，设计了一种基于ALIF和MCKD方法的轴承振动信号处理及故障诊断方法。对仿真信号与轴承信号开展测试，该方法满足可靠性要求。研究结果表明：包络谱能够对100Hz故障特征与对应倍频成分进行分析，对噪声信号起到了明显的抑制效果，能够对故障信号进行准确提取。该研究有助于提高机械传统系统的故障诊断能力，具有很高的市场推广价值。

关键词：轴承；故障诊断；自适应局部迭代滤波；相关峭度解卷积

0 引言

冷轧机设备在运行时，会在初期故障阶段就产生微弱的特征信号，但容易受到背景噪声覆盖而无法被准确诊断。随着故障程度的持续增大，***终将引起不可逆的破坏后果。因此，需要开发合适的故障检测技术，对设备故障信号实现精确抓取[1-3]。EMD方法并未建立严密的数学推导公式，当信 号中产生奇异点时，便会引起模态混叠的结果。采用三次样条插值方式进行处理时，也会出现欠拟合或者过拟合的问题，在噪声环境中容易出现不稳定的变化特征[4] 。黄斯琪等[5] 开发了一种迭代滤波算法（IF），该算法采用与EMD一致的架构，通过低通滤波的方法建立上下包络函数，再计算得到均值数据，用于故障诊断。邓敏强等[6] 构建了FP微分表达式，在此基础上设置基础解系以实现IF算法的拓展运用，设计了一种可以能够对局部函数进行自适应处理的迭代滤波方法（ALIF）。ALIF可以对非线性变化过程的波动信号进行高效处理，并对处理数据进行迭代滤波后得到IMF分量[7]。相对EMD方法，ALIF具备更强分解效率与模态混叠抑制效果，该算法具备更优的综合性能。现阶段，ALIF算法已在机械故障诊断方面获得了大 量使用，通过ALIF与能量算子解调相结合的方式，提取出轴承故障的频率特征值，大幅提升了故障诊断精度。

本文以冷轧机轴承运行状态为研究对象，综合运用ALIF与MCKD方法实现轴承故障诊断。仿真信号测试表明，该方法满足可靠性要求。

1 基本理论介绍

1.1 自适应局部迭代滤波（ALIF）

ALIF算法是通过改进迭代滤波算法（IF）获得的自适应分解算法。ALIF通常被用来构建FP微分方程，并以此建立具备自适应性能的滤波函数。因此，对ALIF算法原理进行分析前，应先深入了解IF算法的运行机制。

IF和EMD是两种相近的算法，经过迭代计算，筛选得到相应的本征模态分量（IMF）。ALIF算法是利用滤波函数和待分解数据卷积处理的过程确定滑动算子，代替EMD算法的拟合计算包络值过程。IF算法由内循环与外循环二个环节构成。

对于预处理信号X（t）与滤波函数f（t），可以根据X（t）与f（t）卷积结果获得滑动算子Γ（X（t））：

式中：f（t）为固定低通滤波函数；h（z）为对应的滤波区间。

根据预处理信号X（t）相对滑动算子Γ（X（t））差值，得到波动算子K（X（t））：

分析波动算子K（X（t））是否能顾满足IMF分量标准，将满足标准要求的波动算子作为IMF分量。反之，将波动算子进行筛选处理。具体处理流程如下：

1）处理确定预处理信号滤波区间h（z）。

2）计算滑动算子Γ（X（t））。 

3）确定波动算子K（X（t））。 

筛选处理时的波动算子函数：

IMF（t）符合IMF分量标准的情况下，则提取出一次IMF分量。否则，跳转至步骤1）继续进行处理，直到满足设定条件为止。

1.2 ALIF-MCKD轴承早期故障诊断方法

图1为ALIF-MCKD轴承故障诊断的具体流程。

1）对振动信号ALIF分解形成IMF分量与相应残余分量。

2）以相关系数与峭度相结合的方式，筛选得到敏感的IMF分量，再对其实施重构，完成降噪过程。

3）以MCKD算法提高对重构降噪信号的故障冲击部分，然后，再计算包络谱。

4）提取得到故障特征，并确定轴承故障发生部位。 

2 验证ALIF-MCKD方法有效性

冷轧机经常出现不同形式的振动现象，主传动系统加载负荷，会加剧振动发生的情况。本文在MSK-5070冷轧机上开展振动信号测试分析，现场照 片如图2所示。

为了对ALIF与MCKD两种算法结合的效果进行验证，采用冷轧机轴承故障周期冲击特征建立仿真信号，再开展仿真验证，仿真信号表达式如下：

式中：x1（t）为故障造成的冲击信号；n（t）为振幅1的噪声；x（t）为对轴承故障见仿真测试获得的信号；将位移常数设定为A1=2，轴承固有频率fn=2000Hz，对应阻尼系数为ζ=0.1。

冲击故障周期为T=0.01s，相当于特征频率为f=100 Hz。以fs=20k Hz的频率进行采样，采样数量为N=2048。图3为仿真测试的时域波形。图4为故障信号包络谱，当受到环境噪声影响后，并未形成明显的故障特征，同时还会受到其余多种频率干扰。

利用相关系数-峭度方法确定IMF1与IMF2，并完成重构降噪过程，利用MCKD算法实现重构信号的降噪，再以包络谱完成解调分析，结果如图5所示。利用ALIF与MCKD方法进行处理得到的包络谱能够对100Hz故障特征与对应倍频成分进行分析，表明上述方法对噪声信号起到了明显的抑制效果，能够对故障信号进行准确提取。

3 结论

本文开展基于ALIF+MCKD方法的冷轧机轴承振动故障信号处理分析，得到如下结果：

1）利用MCKD算法对重构信号进行降噪，再以包络谱完成解调分析。

2）包络谱能够对100Hz故障特征与对应倍频成分进行分析，对噪声信号起到了明显的抑制效果，能够对故障信号进行准确提取。

【参考文献】

[1]刘红军，魏旭阳.基于GADF与卷积神经网络的轴承故障诊断研究[J].机电工程，2021，38（5）：587-591.

[2]杨旭，彭开香，罗浩，等.基于EEMD和SVM的冷轧机垂直振动相关故障的诊断[J].上海交通大学学报，2015，49（6）：751-756.

[3]袁林忠，陈宝薇，李焱华.冷轧机液压故障诊断专家系统的关键技术研究[J].机床与液压，2008，243（9）：160-162.

[4]李怡，李焕锋，刘自然.基于CEEMDAN多尺度熵和SSA-SVM的轴承故障诊断研究[J].机电工程，2021，38（5）：599-604.

[5]黄斯琪，郑近德，潘海洋，等.***大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断[J].机械科学与技术，2020，39 （8）：1 163-1 170.

[6]邓敏强，邓艾东，朱静，等.基于BFD和MSCNN的风电滚动轴承智能故障诊断[J].东南大学学报（自然科学版），2021，51（3）：521-528.

[7]陈保家，汪新波，赵春华，等.基于自适应局部迭代滤波和能量算子解调的轴承故障特征提取[J].南京理工大学学报，2018，42 （4）：445-452.