PDF《基于最大相关峭度反褶积的轴承故障诊断方法》

M N E % $( %如 果冲击信号完全淹没在噪声中 最小熵反褶积往往 会失效 因而

3 =

8 ( + , - >

等提出了最大相关峭度反 褶积算法%最大相关峭度反褶积需要根据先验知识 确定所分析的信号中冲击信号的周期与个数 而这 % M K 第!期武 兵 等)基于最大相关峭度反褶积的轴承故障诊断方法 些参数可以根据旋转机械的转速及采样频率确定 3A B

8 方法可以有效提取信号中被噪声淹没的周 期冲击成分 突出 高频成分提高 原 始信 号的 峭度 值 实现信号降噪经过 3A B

8 降噪后 再使用谱 峭度理论进行分析 取得较强的早期故障诊断能力 因此 笔者提出了 3A B

8 与DB结合的滚动轴承早 期微弱故障信号的诊断方法 即3A B

8 E D B 方法 其具体算法流程如图%所示 图% 3A B

8 E D B 方法的流程图 O

0 9 : % O - ( R>

0 ,

9 * , 6( .

2 V 43A B

8 E D B : 仿真实验 仿真 信号由以下步骤得到,:使用周期为 $G W 的单位冲击序列仿真滚动轴 承的单 点故 障1: 选择!? G W作为轴承的固有频率 建立轴承的响 应函数 再让单位冲击序列通过该响应函数 得到仿 真的冲击信号 = : 加入&

#: KX的高斯噪声模拟背景 噪声 得到故障仿真信号 采样频率为# $? G W 图# , 为仿真的滚动轴承故障的冲击响应信 号 故障频率为 $ G W 图#

1 为故障仿真信号 可 以看到故障信号已经完全被噪声淹没从图!中可 以看出 由于冲击信号已经完全被噪声淹没 最小熵 反褶积方法并不能很好地对信号降噪 而3A B

8 方 法可以有效地提取出仿真信号中的冲击信号 因而 3A B

8 可以作为有效的降噪方法 对振动信号进行 预处理 图 为经过 3A B

8 降噪后的信号的快速峭度 图 对降噪后的信号进行滤波 再使用平方包络谱分 析方法 得到相应的包络谱图 图K , 为原始仿真信号的包络谱图 由于其他 频率信息的干扰 图中无法分辨仿真信号的故障频 率K1为3A B

8 E D B 方法处理后的平方包络谱图可以清楚地看到故障频率 $G W及其倍频成分 仿真分析结果验证了提出方法的有效性 图# 滚动轴承仿真信号 O

0 9 : # D

0 6 ) - ,

2 4 >

5

0 9 + , - 5( .

2 V 4* ( - -

0 +

91 4 , *

0 +

9 图! 两种信号去噪方法的比较 O

0 9 : ! A (

6 C , *

0 5 ( +( .

2 R (6

4 2 V ( >

5( .

5 0

9 + , - >

4 + (

0 5

0 +

9 实际监测数据分析 本研究所涉及的工程监测数据来源于在线监测 系统记录的某精轧机传动轴承 的长 期振动监 测信 号在&

月初 发现时域信号中含有微弱的冲击成 分 通过所提出的方法分析信号 诊断为滚动轴承的 # M K 振 动测 试 与 诊 断 第! 卷 图 3A B

8 去噪信号的快速峭度图 O

0 9 : F V 4. ,

5 2? ) *

2 (

9 * , 6( .>

4 + (

0 5

0 +

95 0

9 + , -1 ,

5 4 >

( + 3A B

8 图K 包络谱分析对比 O

0 9 : K A (

6 C , *

0 5 ( +( .

2 R (4 + @

4 - ( C

45 C

4 =

2 * )

6 6

4 2 V ( >

5 内圈早期故障 并对故障进行跟踪M 月初故障发 展到中期 继续跟踪故障发展M月末故障发展到 晚期 设备维修人员对这一精轧机的轴承进行更换 使得故障消除 避免了故障的蔓延以下为几个时 期的典型信号分析过程 图&

, 为&

月% $日热连轧机咬钢后 系统记 录的振动信号 此时采样频率为% $? G W 轴转频为