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.