改進小波包降噪與RSSD的滑動軸承聲音診斷方法

汪思夢, 田中旭, 魯洪江

(上海海洋大學 工程學院,上海 201306,E-mail:smWang1115@163.com)

滑動軸承結構簡單、承載能力強,作為柴油機、內燃機等大型旋轉機械中最重要的支撐部件[1],針對其進行監測,及時了解其運行狀態和發現運行故障,對于保證滑動軸承的安全運行具有重要意義[2]。

目前,對于滑動軸承進行故障診斷主要基于振動信號[3]。文獻[4]利用滑動軸承的振動信號,提出了基于EMD的全矢譜故障特征提取新方法。文獻[5]提出了一種基于多重共振稀疏分解與多尺度符號動力學熵相結合的往復壓縮機滑動軸承故障診斷方法成功實現滑動軸承的故障診斷。然而一些含滑動軸承的大型機械設備一般處在高速旋轉以及高溫、高壓等復雜工作環境下,加速度傳感器等接觸式傳感器的不易安裝[6],利用振動信號對滑動軸承進行故障診斷受到限制。近年來,很多學者開始利用聲音信號進行機械運行狀態監測[7]。采集聲音信號的傳感器安裝不受環境限制,不僅可以獲取與振動相關的信息,還可以獲取設備更多的狀態信息。文獻[8]提出一種基于改進形態-小波閾值降噪的軸承復合故障診斷聲音診斷方法,即對采集到的故障軸承聲音信號進行降噪處理,最終提取出了軸承故障特征頻率。文獻[9]利用改進的局域均值分解方法,分離聲音信號中的不同成分,濾除了多個振源信號的噪聲干擾,實現了齒輪箱故障監測。文獻[10]利用速度波動的電機軸承,通過對原始瞬態聲音信號的角度重新采樣,實現了變速電機軸承故障診斷。

本文將聲音信號應用于滑動軸承故障診斷當中,但基于聲音信號的設備故障診斷目前存在很多仍需解決的問題,其中最主要的是噪聲干擾問題[11]。首先,傳聲器采集到的信號除旋轉部件旋轉產生的聲音信號之外,還包括設備其他部件例如電機等產生的噪聲,相較于振動信號受到噪聲干擾更加嚴重;同時聲音信號傳遞到傳聲器的過程中在空氣中會有所衰減,信號特征更加微弱,造成傳聲器中采集到的信號成分十分復雜,給研究帶來了很大的難度。此外,滑動軸承還存在潤滑狀況和摩擦磨損等特征在聲音信號中體現非常不明顯的問題,導致利用聲音信號進行滑動軸承故障診斷研究難度大、研究少。

針對上述問題,提出改進小波包降噪和共振稀疏分解(RSSD)的滑動軸承聲音診斷方法,降低滑動軸承故障聲音信號中的噪聲干擾,分離故障特征信號,提取故障特征頻率。

1 改進小波包降噪與RSSD的滑動軸承聲音診斷方法

1.1 改進小波包降噪

滑動軸承在運轉時,其聲音信號顯示出非線性非平穩的特點,且故障特征在聲音信號中體現不明顯,受到嚴重的噪聲干擾。因此,在進行滑動軸承故障診斷時需要有效抑制噪聲干擾。

本文提出的改進小波包降噪方法主要包括兩個部分:一是對小波包分解進行優化,二是對小波包降噪進行改進。

一般情況下,人為設定小波包降噪參數具有隨機性。因此,在對聲音信號進行小波包降噪處理之前需要研究小波基函數、分解層數對降噪效果的影響,利用網格搜索法篩選最佳參數組合對滑動軸承聲音信號進行小波包分解。

傳統閾值僅與信號長度相關,然而噪聲成分多存在于高頻部分,隨著分解尺度的增加而減少,所以傳統固定閾值會濾除有用成分[12]。因此針對不同的小波分解尺度,需要選擇與分解尺度相適應的閾值。針對傳統閾值計算并未考慮到小波包分解尺度的問題,提出一種與分解尺度相適應的閾值對滑動軸承聲音信號進行小波包閾值降噪處理。

1.2 共振稀疏分解

當滑動軸承發生故障時,其聲音信號中會產生大量沖擊成分,因此滑動軸承故障診斷的關鍵在于提取故障特征信號。共振稀疏分解方法基于信號的共振屬性,可以有效將信號中的不同成分進行分離。將共振稀疏分解方法應用于滑動軸承故障聲音信號中有望從故障復合信號中分離出故障沖擊信號。

▲圖1 滑動軸承聲音診斷方法流程圖

共振稀疏分解[13-14]方法具體實現過程為:首先利用可調品質因子小波變換對信號進行雙通道濾波,獲得相應的小波基函數庫,信號里的不同成分可以用小波基函數庫稀疏表示;再利用形態分量分析建立目標函數,采用分裂增廣拉格朗日搜索算法對目標函數進行迭代,計算出目標函數的最小值,得到目標函數最小值對應的高、低共振系數以及對應的高、低共振分量,實現信號中不同成分的分離。

本文提出改進小波包降噪與RSSD的滑動軸承聲音診斷方法流程如圖1所示,具體步驟如下。

(1) 采用網格搜索法篩選最佳參數組合對滑動軸承聲音信號進行小波包分解;

(2) 由于噪聲信號多存在于高頻段,利用本文提出與分解尺度相適應的閾值對分解后的高頻系數進行閾值量化處理;

(3) 利用小波包分解后的低頻系數和經過閾值量化的高頻系數進行信號的重構,達到聲音信號降噪的目的;

(4) 對降噪后的滑動軸承聲音信號進行共振稀疏分解,分離出聲音信號中的故障特征信號,即低共振分量;

(5) 對低共振分量進行包絡分析,提取出故障特征頻率。

2 信號采集

實驗采用DHRMT-1轉子實驗臺,轉子實驗臺(圖2),實驗臺由轉子控制器、電機、光電測速儀、兩個滑動軸承和兩個平衡盤構成。兩個電容式傳聲器靈敏度分別為47.31 mv/Pa和44.66 mv/Pa。將兩傳聲器分別安裝在三角支架上,為有效采集滑動軸承聲音信號,將兩個傳聲器放置在靠近電機端和遠離電機端的兩滑動軸承前;兩個傳聲器與滑動軸承之間的距離保持一致;為了避免聲音反射干擾,將傳聲器與加速度傳感器分別布置在轉子兩側。聲音信號的采集使用8通道陣列信號采集儀,采樣頻率為12 000 Hz,采樣時間為0.5 s。遠離電機端的滑動軸承聲音信號和振動信號對比如圖3、4所示。

從圖3中可以看出,聲音信號和振動信號都顯示出非線性非平穩的特點,其中聲音信號受到噪聲干擾更加嚴重。從圖4中可以看出,振動信號的頻譜圖按照基頻呈現存出周期性的特性,聲音信號的頻譜圖無規則,且頻率特征幾乎淹沒在噪聲當中。因此,利用聲音信號對滑動軸承進行故障診斷有兩個重要的步驟,首先需要對聲音信號進行降噪處理,其次是從降噪后的聲音信號中分離出故障信號,提取故障特征頻率。

▲圖2 實驗臺測點布置

▲圖3 聲音信號與振動信號對比

▲圖4 聲音信號與振動信號頻譜對比

3 滑動軸承故障實驗方法與分析

3.1 滑動軸承聲音信號降噪實驗分析

由于轉子臺控制器后的風扇轉動產生大量噪聲,靠近電機端的傳聲器采集到的聲音信號受噪聲干擾更加嚴重,因此選擇此信號來研究各參數對降噪效果的影響規律。

本文以信噪比(SNR)和均方誤差(MSE)作為評價小波包降噪效果的指標。在信號不發生畸變的情況下,信噪比越大,均方誤差越小則說明降噪效果越好。

(1)

(2)

式中:x(n)為原始信號,y(n)為經過降噪處理后的信號,n為采樣點的數目。

3.1.1 小波基函數對降噪的影響

選擇常用的Sym、dB、Coif小波基函數,分別對聲音信號進行小波包降噪處理。分解層數3層,“shannon”熵,閾值函數為軟閾值,閾值類型選擇“sqtwolog”閾值。結果如表1所示。

表1 小波基函數對信噪比和均方誤差的影響

從表1中可以看出,Sym、dB、Coif小波基函數降噪后的信噪比隨消失矩的增大而增大,均方誤差隨消失矩的增大而減小。

綜合上述表格,經Coif5小波基函數降噪后,在保證信噪比較大的同時能保證較小的均方誤差。因此,本文選擇Coif5小波基函數。

3.1.2 分解層數對降噪的影響

選擇Coif5小波基函數,通過改變分解層數,分析比較降噪效果。當分解層數較多時會導致信號畸變,分解層數較少會降低信號降噪效果,所以將分解層數聚焦在3～5之間。結果見圖5。

▲圖5 分解層數的影響

從圖5中可以看出,信噪比隨著分解層數的增加而降低,均方誤差均隨著分解層數的增加而增加;當分解層數為3層時,信號的信噪比較大且均方誤差都較小。因此,本文選擇分解層數為3層。

3.1.3 閾值對降噪的影響

軟閾值函數的定義為:

(3)

傳統閾值λ計算公式為:

(4)

式中:σ為噪聲標準差;N為信號長度。

(5)

median|wjk|為小波包分解第一層高頻系數絕對值的中值,0.674 5為高斯噪聲標準方差調整系數。

本文提出與分解尺度相適應的閾值,閾值設定為:

(6)

當j=1時,與式(5)計算結果相同,當j>1時,λj<λ,并隨著j的增大而降低,符合噪聲隨小波變換的分布規律。

根據2.2和2.3節分析可知,最佳參數組合為Coif5小波基函數3層分解。對比傳統閾值計算形式與本文提出與分解尺度相適應的閾值降噪后的聲音信號信噪比與均方誤差,結果如表2所示。

表2 本文閾值與傳統算閾值降噪效果對比

經過計算,本文提出的閾值計算形式,在其余參數相同的情況下,將小波包降噪后聲音信號的信噪比提高了54.09%,均方誤差減小了80.51%。

3.1.4 對比傳統小波包降噪

傳統小波包降噪方法下的參數是人為設定的,為與本文提出的小波包降噪方法進行對比,隨機選擇sym4小波基函數4層分解、rigrsure無偏似然估計閾值類型。實驗采集了轉子實驗臺四種不同轉速下滑動軸承的聲音信號,兩種方法降噪處理結果如表3所示。

表3 不同工況下本文降噪方法與傳統降噪方法降噪效果對比

從表3中可以看出,對不同工況下的轉子實驗臺滑動軸承聲音信號進行降噪處理,利用本文改進的小波包降噪方法進行降噪處理后的不同工況下的滑動軸承聲音信號的信噪比相較于傳統方法下的滑動軸承聲音信號信噪比大大提高,同時均方誤差大大降低,證明本文的改進小波包降噪方法降噪效果顯著。

3.2 分離滑動軸承故障信號實驗分析

為模擬滑動軸承松動故障,卸除了實驗臺遠離電機端的滑動軸承中的橡膠墊圈?；瑒虞S承正常運轉和故障狀態下的時域圖如圖6所示。

▲圖6 滑動軸承正常運轉和故障狀態下的時域圖

從圖6中可以看出,當滑動軸承發生故障時,聲音信號的振幅明顯增大,且由于卸除了滑動軸承中的橡膠墊圈導致間隙過大產生了大量沖擊成分。因此,沖擊信號是分析提取軸承故障特征的目標信號。

共振稀疏分解算法可以依據信號中各種成分品質因子的不同,實現信號中不同成分的分離,有效分離出信號中的沖擊成分,提高信號的沖擊特性。本文選擇高品質因子Q1=9、低品質因子Q2=3,冗余因子r=3。

首先對滑動軸承故障聲音進行改進小波包降噪處理,結果如圖7所示。

從圖7中可以看出,經過改進小波包降噪方法降噪后的滑動軸承故障聲音信號濾除了一部分噪聲,同時較好的保留了信號原始的峰值和趨勢。

對經過改進小波包方法降噪后的信號進行共振稀疏分解結果如圖8所示。

從圖8中可以看出,分離出的低共振分量中沖擊特征明顯,是滑動軸承故障特征信號。但時域圖上無法觀察不出頻率信息,因此對分解后的低共振分量進行包絡分析,結果如圖9所示。

▲圖8 共振稀疏分解結果圖

▲圖9 故障聲音信號的包絡譜對比圖

從圖9中可以看出,未經降噪分離處理的原始滑動軸承聲音信號故障特征頻率淹沒在噪聲與干擾當中,無法利用包絡譜準確判斷滑動軸承的故障頻率;然而經過改進小波包降噪處理以及共振稀疏分解分離后的聲音信號的包絡譜可以明顯看到96 Hz的頻率存在顯著的譜線,這是由于間隙過大產生的沖擊頻率,說明本文方法成功分離出了信號中的沖擊成分,提取出了滑動軸承聲音信號中的故障特征頻率為96 Hz。

4 總結

本文以含滑動軸承的轉子實驗臺為實驗對象,改進了小波包降噪方法,有效抑制了滑動軸承聲音信號中的噪聲干擾,應用共振稀疏分解方法分離并提取出了滑動軸承故障特征信號和故障特征頻率,實現了利用聲音信號進行滑動軸承故障診斷。經過研究,總結如下:

(1) 以信噪比和均方誤差為標準,研究了小波基函數、分解層數對降噪效果的影響規律。Sym、dB、Coif小波基函數降噪后的信噪比隨消失矩的增大而增大,均方誤差隨消失矩的增大而減小;信噪比隨著分解層數的增加而降低,均方誤差均隨著分解層數的增加而增加。

(2) 利用網格搜索法篩選出最佳參數組合為Coif5小波基函數3層分解時,小波包分解效果最佳。

(3) 提出了與分解尺度相適應的閾值,通過計算分析,相較于傳統閾值計算形式降噪后信號的信噪比提高了54.09%,均方誤差減小了80.51%,具有更優的降噪效果。

(4) 應用共振稀疏分解算法成功分離出滑動軸承故障聲音信號中的沖擊成分,包絡分析顯示故障特征頻率96 Hz譜線突出。

(5) 改進小波包降噪與RSSD的滑動軸承聲音診斷方法去噪效果顯著,能夠有效提高信噪比,解決滑動軸承聲音信號的噪聲干擾問題,成功分離滑動軸承發生故障特征信號,提取故障特征頻率。

(6) 本文方法為滑動軸承故障診斷提供了新的思路,具有工程應用價值。