广西民族师范学院 广西崇左 532200
摘要：针对旋转机械旋转部件可能出现的异常情况或者早期故障，提出了一种先利用总体局域均值分解（ELMD）分解振动信号，再结合包络谱分析对轴承的早期故障症状进行分析的方法。首先对轴承的振动信号进行ELMD分解, 获得由纯调频信号和包络信号乘积构成的PF分量，并对其高频分量进行包络谱分析。通过包络谱和轴承故障特征频率结合分析轴承是否出现故障，实验结果分析表明, ELMD分解和包络谱分析结合的方法能有效地进行轴承故障诊断。
关键词 ELMD 包络谱分析 轴承故障诊断
引 言：2005年，来自英国的Jonathan S. Smith 提出了关于时域和频域分析的新方法，叫做局部均值分解(LMD)法，并成功应用到了实际信号的分解中 [1]。虽然局域均值分解能有效解决经验模态分解（Ensemble meandecomposition）中过包络、欠包络问题，并能在一定程度上削减端点效应问题，但是其分量会存在模态混叠的问题。模态混叠，简单来说，是指分解出来的PF分量中两个相邻的PF出现波形混合叠加，影响分解效果的情况。文献[2]针对模态混叠问题提出了一种基于总体局域均值分解的方法（ELMD），该方法可以有效的减小模态混叠现象。
频谱分析作为信号处理的常用手段之一，应用十分广泛，可以对各类旋转机械的振动信号进行频谱分析。通过频谱分析可以得到振动信号中的各次频率及高次谐波等主要频率成分。包络分析已被广泛应用于轴承和齿轮的故障诊断中，主要用来发现轴承和齿轮啮合的早期故障。
综上，本文将采用ELMD方法抑制分解过程中出现的模态混叠问题，分解出原始信号的各个PF分量，并求得主要PF分量的包络信号，生成包络谱图，分析轴承是否存在故障。
1 ELMD方法
局域均值分解（LMD）方法可以把一个复杂的信号分解为若干个乘积信号函数( Production Function，PF)之和 ，再加上一个单调函数uk(t)：
每个PF乘积函数是由一个纯调频信号和一个包络信号组成，其中的包络信号表示PF分量的瞬时幅值。
对于非平稳、非线性的振动信号，由于信号一般具有间歇性，在利用LMD分解PF分量时，可能会造成一个分量含有不同的时间尺度特征，或者信号中相似的时间尺度特征分布在不同的分量里，造成模态混叠，使分解的PF分量物理意义不清晰，导致提取的信号特征不够精准。
针对于LMD分解存在的模态混叠问题，对其进行改进，形成新的分析方法—总体局部均值分解(Ensemble local mean decomposition, ELMD)方法。该方法是在进行LMD分解之前，在信号中加入白噪声信号。每次加入不同的白噪声，且其幅值都是有限的，重复加入白噪声再进行LMD多次后，将多次分解得到的相应PF分量相加再求取其平均值，得到最终的一组PF分量。由于白噪声信号会均匀分布在原信号的时频空间上，当对信号进行LMD分解时，将会被分解到白噪声对应的滤波器组的各个通频带当中，如此便可大大减少分解后各个分量之间的混叠现象。
综上，ELMD的分解过程可分为以下几个步骤[2]：
（1）向待分解的信号添加白噪声，称其为混合信号。
（2）对混合信号进行局部均值分解，得到若干个PF分量和一个残余分量。
（3）多次重复步骤（1）和步骤（2），但重复步骤（1）时，每次加入的白噪声应是不一样的。
（4）对多次分解得到的PF分量和残余分量进行总体平均，得到最终的分解结果。
2 两种分解方法仿真对比
为了检验LMD分解和ELMD分解各自的特点和区别，本文对文献[3]中的叠加高频间断信号的正弦信号仿真信号（骑行波信号）进行分析。
图3.2 LMD分解结果
由图可知，LMD分解得到的PF1正弦波分量中存在高频间断信号，此现象即为模态混叠现象。
ELMD分解时，添加白噪声次数设置为50，其幅值为信号标准差的0.02倍。分解结果如图3所示。由图可知，PF1分量是高频间断信号，PF3是正弦信号，两者被较好的分解了出来，由此可见验证了ELMD方法能够有效地消除模态混叠现象。
但是出现了虚假分量，对此可以利用相关系数法，选出与原信号相关度较高的PF分量作为特征向量，从而有效消除虚假分量的影响。
图3.3 ELMD分解结果
3 基于ELMD和包络谱分析的滚动轴承故障诊断
ELMD分解是一种自适应的分解，能够反映故障的本质信息。在得到的PF分量中，不同的PF分量包含了不同的频率成分，不同的频率段包含了不同的故障信息。然后对包含主要信息的高频PF分量进行重组，并求取其包络谱，通过观察分析包络谱判断轴承是否存在故障。
本文数据来自美国某大学的测试轴承，轴承类型为支承电机动轴端的6205-2RS SKF深沟球轴承。采样频率为12 kHz，电机转速1797r/min。我们对驱动端轴承的正常信号、内圈故障和外圈故障信三种号进行分析。轴承的故障特征频率如表4-1所示。
表4-1 轴承故障特征频率(Hz)
图4.1 信号的ELMD分解结果
图4.3 1号轴承信号的ELMD分解结果
图4.6 2号轴承重组信号的包络谱
结 论：
本文将ELMD与包络谱分析相结合，用于轴承故障诊断中。根据上述仿真结果可知，该方法可以用于判断轴承外圈、内圈等主要部位的早期故障。
本文所用的轴承数据是实验室测试轴承，轴承运行环境简单，模拟的故障类型单一，所以仿真结果比较清晰明了。但是工业中使用的旋转机械设备一般处于一个复杂、多干扰的环境，轴承本身也可能同时出现多种类型故障，使得包络谱分析过程变得复杂，对技术人员的分析能力也有一定要求。因此，包络谱分析比较适用于监测轴承的早期故障问题，此时故障较轻微，易于分析，对轴承故障具有防微杜渐的作用。
参考文献:
[1]Jonathan S. Smith. The local mean decomposition and its application to EEG perception data. Journal of the Royal Society Interface, 2005, 2(5): 443-454
[2]程军圣, 张亢,杨宇. 基于噪声辅助分析的总体局部均值分解方法[J].机械工程学报, 2011, 47(3): 55-62
[3]杨贤昭. 基于经验模态分解的故障诊断方法研究[D].武汉科技大学,2012.
[4]胡爱军,孙敬敬,向玲. 经验模态分解中的模态混叠问题[J]. 振动.测试与诊断,2011,04:429-434+532-533.
[5]廖星智,万舟,熊新. 基于ELMD与LS-SVM的滚动轴承故障诊断方法[J]. 化工学报,2013,12:4667-4673.
论文作者:黄秀梅
论文发表刊物:《防护工程》2019年第5期
论文发表时间:2019/6/10
标签：分解论文; 包络论文; 信号论文; 分量论文; 轴承论文; 故障论文; 方法论文; 《防护工程》2019年第5期论文;