基于自適應Autogram+OSF濾波的電機軸承故障診斷

秦亮亮

(江蘇聯合職業技術學院淮安生物工程分院,江蘇淮安223200)

0 引言

軸承被廣泛應用于電機設備的動力傳輸系統中,屬于一類較易出現故障問題的部件[1、2]。當軸承中存在故障問題時,通常會在運行階段形成一定的沖擊載荷,由此形成具有非線性變化特征的非平穩信號[6],可以通過振動信號分析獲得故障特征參數,由此完成信號的關鍵信息提取,由此實現故障診斷功能。包絡解調已成為當前的一項廣泛應用的故障診斷技術,采用該方法進行信號分析時難以確定最佳解調頻帶[6～8]。為克服以上問題,LEI[9]設計了一種優化譜峭度處理技術,能夠有效消除強噪聲引起的快速譜峭度變化,并通過小波包變換的方式精確測定含噪信號的瞬態數據,但采用該方法處理強非高斯噪聲振動信號的時候較易出現失效的情況。

Autogram方法可以對初始信號非周期脈沖與噪聲進行限制的方式測定周期性脈沖,從而抑制非周期分量引起的故障頻率變化,從而獲得更精確的最優頻帶。以Autogram方法分割頻帶時是以二叉樹結構的方式進行,這使得計算最佳解調頻帶時會產生較大的誤差[12]。根據以上分析,設計了一種自適應Autogram方法,可以通過順序統計濾波(OSF)方法完成信號傅里葉譜的包絡處理。

1 基于OSF濾波方法

進行頻帶劃分的時候,可通過初始信號傅里葉譜特征來確定邊界,確保具有明顯沖擊作用的分量位于所選頻帶內,防止最大沖擊處成為邊界。

從本質層面分析認為OSF包絡法屬于一個呈現良好魯棒性的非線性濾波器,其中含有最大值、中值與最小值濾波器。相對插值包絡方法需要耗費大量時間,OSF效率較高,可以高效去除脈沖噪聲的干擾。此方法提供了具有可變控制功能的滑動窗口,經過窗口數據過濾后實現數據包絡的處理過程。本研究采用最大值濾波器完成上包絡的估計。

進行濾波處理時,先設置合適的窗口寬度,再確定窗口內最大參數,得到以下結果

U(n)=max(Wn)

(1)

式中,U(n)—OSF濾波所得結果;Wn—第n個窗口中的參數。

構建數組D={2,3,4,5,6,4,8,3,2,1,7},將默認窗口寬度設定在3。為了避免數據長度縮短,本次選擇鏡像延拓處理技術,將基點設置在初始數據左邊與右邊第1個數據處,設定擴展長度等于1,再對數據實施鏡像延拓。得到數組A{3,2,3,4,5,6,4,8,3,2,1,7,1}。結合窗口寬度與式(1)從{3,2,3}中選擇最大值3,再從{2,3,4}中選擇最大值4以及從{3,4,5}中選擇最大值5,按照同樣方式類推處理構建新數組{3,4,5,6,6,8,8,8,3,7,7}。最終得到圖1的濾波結果。

圖1 OSF濾波過程

以移動平均法進行處理時應符合下述規則：(1)跨度應設置成奇數;(2)平滑數據點應位于跨度中心處;(3)對不能繼續容納任一側相鄰數據點,應對跨度適當調節;(4)跨度不能被正常定義時,將會形成不平滑的端點。

為驗證移動平均法,控制跨度值等于5的條件下實施平滑處理。按照上述規則定義前4個元素依次為

ys(1)=y(1)

ys(2)=(y(1)+y(2)+y(3))/3

ys(3)=(y(1)+y(2)+y(3)+y(4)+y(5))/5

ys(4)=(y(2)+y(3)+y(4)+y(5)+y(6))/5

此外還需注意,ys(i)表示經過排序處理形成的數據順序,可能與最初順序存在一定差異。通過該方法處理圖3的包絡數組得到圖2的測試結果。根據圖2可以發現,完成平滑處理后觀察不到一階不可微點,能夠避免OSF包絡不繼續分割的缺陷。

圖2 移動平均平滑處理

圖3 軸承模擬故障試驗臺

2 實驗分析

2.1 信號分析

為驗證診斷方法的可靠性,本實驗以實際故障軸承作為診斷對象。圖3給出了自制的軸承測試平臺。本次選擇的6206-2RS1SKF型軸承。通過線切割的方式完成軸承的加工過程。測試了軸承內圈存在0.4mm深度缺陷時的故障信號。測試期間設定載荷等于5kN,保持轉速300r/min,以8150Hz頻率實施采樣。

利用方法處理信號進行傅里葉變化。之后通過分析頻帶信號來驗證其準確性,獲得圖4的包絡譜。根據圖4可以發現,特征頻率受到無關分量的影響較小,能夠觀察到明顯的故障頻率特征,由此可以判斷采用自適應Autogram方法進行處理時具備良好可行性。

圖4 實測信號傅里葉譜

2.2 對比分析

以濾波器組結構進行對比,實測信號濾波后包絡譜圖如圖5所示。根據短時傅里葉轉換方法構建快速譜峭度算法,再分析實測信號的變化特征。圖6為包絡譜測試結果,可以明顯看到一倍頻fi處形成了明顯的故障特征,而其余倍頻則淹沒于周圍分量中,不能實現精確診斷的效果。相對所提方法,對應的二倍與三倍頻也沒有形成明顯特征頻率,受到其他分量的顯著干擾。

圖5 實測信號濾波后包絡譜(濾波器組結構)

圖6 實測信號濾波后包絡譜(短時傅里葉變換)

3 結語

本文開展基于自適應Autogram+OSF濾波的電機軸承故障診斷分析,取得如下有益結果：(1)采用自適應Autogram方法進行處理時具備良好可行性。采用本方法測試佳解調頻帶的效果比濾波器快速譜峭度方法的性能更優。(2)相比較濾波器組結構,以原Autogram分析頻帶信號,看到一倍頻fi處產生了明顯的故障特征。相對自適應Autogram方法并未形成明顯的二倍與三倍頻特征頻率,產生了眾多干擾分量。

本研究有助于提高電氣的排出故障的能力,也可以實現網聯控制,但在面對負載較大情況時容易出現計算冗長的問題,期待后續引入深度學習算法進行加強。