摘 要:冷軋機(jī)在高載荷運(yùn)行下容易出現(xiàn)軸承故障損傷。為了提高軸承在復(fù)雜環(huán)境下的振動(dòng)信號抗干擾能力,設(shè)計(jì)了一種基于ALIF和MCKD方法的軸承振動(dòng)信號處理及故障診斷方法。對仿真信號與軸承信號開展測試,該方法滿足可靠性要求。研究結(jié)果表明:包絡(luò)譜能夠?qū)?00Hz故障特征與對應(yīng)倍頻成分進(jìn)行分析,對噪聲信號起到了明顯的抑制效果,能夠?qū)收闲盘栠M(jìn)行準(zhǔn)確提取。該研究有助于提高機(jī)械傳統(tǒng)系統(tǒng)的故障診斷能力,具有很高的市場推廣價(jià)值。
關(guān)鍵詞:軸承;故障診斷;自適應(yīng)局部迭代濾波;相關(guān)峭度解卷積
0 引言
冷軋機(jī)設(shè)備在運(yùn)行時(shí),會在初期故障階段就產(chǎn)生微弱的特征信號,但容易受到背景噪聲覆蓋而無法被準(zhǔn)確診斷。隨著故障程度的持續(xù)增大,***終將引起不可逆的破壞后果。因此,需要開發(fā)合適的故障檢測技術(shù),對設(shè)備故障信號實(shí)現(xiàn)精確抓取[1-3]。EMD方法并未建立嚴(yán)密的數(shù)學(xué)推導(dǎo)公式,當(dāng)信 號中產(chǎn)生奇異點(diǎn)時(shí),便會引起模態(tài)混疊的結(jié)果。采用三次樣條插值方式進(jìn)行處理時(shí),也會出現(xiàn)欠擬合或者過擬合的問題,在噪聲環(huán)境中容易出現(xiàn)不穩(wěn)定的變化特征[4] 。黃斯琪等[5] 開發(fā)了一種迭代濾波算法(IF),該算法采用與EMD一致的架構(gòu),通過低通濾波的方法建立上下包絡(luò)函數(shù),再計(jì)算得到均值數(shù)據(jù),用于故障診斷。鄧敏強(qiáng)等[6] 構(gòu)建了FP微分表達(dá)式,在此基礎(chǔ)上設(shè)置基礎(chǔ)解系以實(shí)現(xiàn)IF算法的拓展運(yùn)用,設(shè)計(jì)了一種可以能夠?qū)植亢瘮?shù)進(jìn)行自適應(yīng)處理的迭代濾波方法(ALIF)。ALIF可以對非線性變化過程的波動(dòng)信號進(jìn)行高效處理,并對處理數(shù)據(jù)進(jìn)行迭代濾波后得到IMF分量[7]。相對EMD方法,ALIF具備更強(qiáng)分解效率與模態(tài)混疊抑制效果,該算法具備更優(yōu)的綜合性能?,F(xiàn)階段,ALIF算法已在機(jī)械故障診斷方面獲得了大 量使用,通過ALIF與能量算子解調(diào)相結(jié)合的方式,提取出軸承故障的頻率特征值,大幅提升了故障診斷精度。
本文以冷軋機(jī)軸承運(yùn)行狀態(tài)為研究對象,綜合運(yùn)用ALIF與MCKD方法實(shí)現(xiàn)軸承故障診斷。仿真信號測試表明,該方法滿足可靠性要求。
1 基本理論介紹
1.1 自適應(yīng)局部迭代濾波(ALIF)
ALIF算法是通過改進(jìn)迭代濾波算法(IF)獲得的自適應(yīng)分解算法。ALIF通常被用來構(gòu)建FP微分方程,并以此建立具備自適應(yīng)性能的濾波函數(shù)。因此,對ALIF算法原理進(jìn)行分析前,應(yīng)先深入了解IF算法的運(yùn)行機(jī)制。
IF和EMD是兩種相近的算法,經(jīng)過迭代計(jì)算,篩選得到相應(yīng)的本征模態(tài)分量(IMF)。ALIF算法是利用濾波函數(shù)和待分解數(shù)據(jù)卷積處理的過程確定滑動(dòng)算子,代替EMD算法的擬合計(jì)算包絡(luò)值過程。IF算法由內(nèi)循環(huán)與外循環(huán)二個(gè)環(huán)節(jié)構(gòu)成。
對于預(yù)處理信號X(t)與濾波函數(shù)f(t),可以根據(jù)X(t)與f(t)卷積結(jié)果獲得滑動(dòng)算子Γ(X(t)):
式中:f(t)為固定低通濾波函數(shù);h(z)為對應(yīng)的濾波區(qū)間。
根據(jù)預(yù)處理信號X(t)相對滑動(dòng)算子Γ(X(t))差值,得到波動(dòng)算子K(X(t)):
分析波動(dòng)算子K(X(t))是否能顧滿足IMF分量標(biāo)準(zhǔn),將滿足標(biāo)準(zhǔn)要求的波動(dòng)算子作為IMF分量。反之,將波動(dòng)算子進(jìn)行篩選處理。具體處理流程如下:
1)處理確定預(yù)處理信號濾波區(qū)間h(z)。
2)計(jì)算滑動(dòng)算子Γ(X(t))。
3)確定波動(dòng)算子K(X(t))。
篩選處理時(shí)的波動(dòng)算子函數(shù):
IMF(t)符合IMF分量標(biāo)準(zhǔn)的情況下,則提取出一次IMF分量。否則,跳轉(zhuǎn)至步驟1)繼續(xù)進(jìn)行處理,直到滿足設(shè)定條件為止。
1.2 ALIF-MCKD軸承早期故障診斷方法
圖1為ALIF-MCKD軸承故障診斷的具體流程。
1)對振動(dòng)信號ALIF分解形成IMF分量與相應(yīng)殘余分量。
2)以相關(guān)系數(shù)與峭度相結(jié)合的方式,篩選得到敏感的IMF分量,再對其實(shí)施重構(gòu),完成降噪過程。
3)以MCKD算法提高對重構(gòu)降噪信號的故障沖擊部分,然后,再計(jì)算包絡(luò)譜。
4)提取得到故障特征,并確定軸承故障發(fā)生部位。
2 驗(yàn)證ALIF-MCKD方法有效性
冷軋機(jī)經(jīng)常出現(xiàn)不同形式的振動(dòng)現(xiàn)象,主傳動(dòng)系統(tǒng)加載負(fù)荷,會加劇振動(dòng)發(fā)生的情況。本文在MSK-5070冷軋機(jī)上開展振動(dòng)信號測試分析,現(xiàn)場照 片如圖2所示。
為了對ALIF與MCKD兩種算法結(jié)合的效果進(jìn)行驗(yàn)證,采用冷軋機(jī)軸承故障周期沖擊特征建立仿真信號,再開展仿真驗(yàn)證,仿真信號表達(dá)式如下:
式中:x1(t)為故障造成的沖擊信號;n(t)為振幅1的噪聲;x(t)為對軸承故障見仿真測試獲得的信號;將位移常數(shù)設(shè)定為A1=2,軸承固有頻率fn=2000Hz,對應(yīng)阻尼系數(shù)為ζ=0.1。
沖擊故障周期為T=0.01s,相當(dāng)于特征頻率為f=100 Hz。以fs=20k Hz的頻率進(jìn)行采樣,采樣數(shù)量為N=2048。圖3為仿真測試的時(shí)域波形。圖4為故障信號包絡(luò)譜,當(dāng)受到環(huán)境噪聲影響后,并未形成明顯的故障特征,同時(shí)還會受到其余多種頻率干擾。
利用相關(guān)系數(shù)-峭度方法確定IMF1與IMF2,并完成重構(gòu)降噪過程,利用MCKD算法實(shí)現(xiàn)重構(gòu)信號的降噪,再以包絡(luò)譜完成解調(diào)分析,結(jié)果如圖5所示。利用ALIF與MCKD方法進(jìn)行處理得到的包絡(luò)譜能夠?qū)?00Hz故障特征與對應(yīng)倍頻成分進(jìn)行分析,表明上述方法對噪聲信號起到了明顯的抑制效果,能夠?qū)收闲盘栠M(jìn)行準(zhǔn)確提取。
3 結(jié)論
本文開展基于ALIF+MCKD方法的冷軋機(jī)軸承振動(dòng)故障信號處理分析,得到如下結(jié)果:
1)利用MCKD算法對重構(gòu)信號進(jìn)行降噪,再以包絡(luò)譜完成解調(diào)分析。
2)包絡(luò)譜能夠?qū)?00Hz故障特征與對應(yīng)倍頻成分進(jìn)行分析,對噪聲信號起到了明顯的抑制效果,能夠?qū)收闲盘栠M(jìn)行準(zhǔn)確提取。
【參考文獻(xiàn)】
[1]劉紅軍,魏旭陽.基于GADF與卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷研究[J].機(jī)電工程,2021,38(5):587-591.
[2]楊旭,彭開香,羅浩,等.基于EEMD和SVM的冷軋機(jī)垂直振動(dòng)相關(guān)故障的診斷[J].上海交通大學(xué)學(xué)報(bào),2015,49(6):751-756.
[3]袁林忠,陳寶薇,李焱華.冷軋機(jī)液壓故障診斷專家系統(tǒng)的關(guān)鍵技術(shù)研究[J].機(jī)床與液壓,2008,243(9):160-162.
[4]李怡,李煥鋒,劉自然.基于CEEMDAN多尺度熵和SSA-SVM的軸承故障診斷研究[J].機(jī)電工程,2021,38(5):599-604.
[5]黃斯琪,鄭近德,潘海洋,等.***大相關(guān)峭度反褶積與傅里葉分解方法相結(jié)合的滾動(dòng)軸承故障診斷[J].機(jī)械科學(xué)與技術(shù),2020,39 (8):1 163-1 170.
[6]鄧敏強(qiáng),鄧艾東,朱靜,等.基于BFD和MSCNN的風(fēng)電滾動(dòng)軸承智能故障診斷[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,51(3):521-528.
[7]陳保家,汪新波,趙春華,等.基于自適應(yīng)局部迭代濾波和能量算子解調(diào)的軸承故障特征提取[J].南京理工大學(xué)學(xué)報(bào),2018,42 (4):445-452.