基于LCD-Hilbert谱奇异值和QRVPMCD的滚动轴承故障诊断方法

基于Hilbert共振解调法的滚动轴承振动故障诊断采用基于Hilbert变换的共振解调技术，从共振信号中解调出故障特征信号，对故障特征频率进行分析，并经过实验诊断出轴承故障类型和部位，验证了该损伤诊断方法的优越性。

标签：滚动轴承；故障诊断；共振解调技术1 概述滚动轴承是各种旋转机械中应用最广泛的一种机械部件，它的运行状态影响整台机器的性能，包括精度、可靠性等。

同时它也是机器中最易损坏的元件之一。

由于轴承使用寿命的离散性很大，若对其按设计寿命进行定时维修更换，则有可能使故障轴承得不到及时维修和替换，导致机械工作精度下降，甚至引发事故。

因此对滚动轴承进行工况监视与故障诊断，改传统的定时维修为视情维修或预知维修，具有重要意义[1]。

滚动轴承最常见的故障形式为局部损伤和磨损，主要由运转过程中的腐蚀、疲劳、塑性变形、胶合引起。

局部损伤具有突发性，会加剧运行时的冲击载荷，有可能在较短时间内发展为大片剥落，危害很大，因此力争在局部损伤出现的早期，就检测到其特征信号并对其进行定位[2，3]。

2 实验和结果2.1 实验设计滚动轴承故障实验系统由机械驱动装置、轴系、加载装置、振动信号采集系统组成，如图2所示。

机械驱动装置为变频调速电机及齿轮减速箱，轴转速可在15～748r/min之间调整。

轴系包括直径100mm的轴、1个推力轴承、1个圆柱滚子轴承和1个受测的6220型深沟球轴承。

受测轴承共有三种试件，分别为无故障轴承、外圈故障轴承和内圈故障轴承（用电火花加工方式分别在外圈、内圈上模拟出点蚀坑）。

加载装置通过总放大倍数为200的两级杠杆给轴承施加7000N 的径向载荷。

振动信号采集系统由手持式转速计、CA-YD-103加速度传感器、DHF-7电荷放大器、凌华PCI-1812采集卡、工控机组成。

2.2 故障特征频率计算文章的实验分别模拟了外圈单处点蚀故障和内圈单处点蚀故障。

可以计算出外圈故障特征频率fout为57.09Hz，内圈故障特征频率fin为79.31Hz，其边频带谱间隔频率为fs=12.40HZ。

基于Hilbert边际谱的滚动轴承故障诊断方法3杨　宇　于德介　程军圣(湖南大学　机械与汽车工程学院,长沙　410082) 摘　要　H ilbert2Huang变换是一种新的自适应信号处理方法,它适合于处理非线性和非平稳过程。

通过对信号进行H ilbert2Huang变换,可以得到信号的H ilbert边际谱,它能精确地反映信号幅值随频率的变化规律。

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于H ilbert边际谱的滚动轴承故障诊断方法。

该方法在H ilbert边际谱的基础上定义了特征能量函数,并以此作为滚动轴承的故障特征向量,建立M距离判别函数来识别滚动轴承的故障类型。

对滚动轴承的内圈、外圈故障信号的分析结果表明本文方法可以有效地提取滚动轴承故障特征。

关键词:滚动轴承,H ilbert边际谱,特征能量函数,距离判别函数,故障特征中图分类号:TH165 文献标识码:A0　引 言故障特征信息提取是滚动轴承故障诊断中最关键的问题之一[1,2],传统的诊断技术是针对振动信号的时域或频域特征来提取特征向量进行故障识别。

事实上,当滚动轴承产生故障时,由于受到刚度非线性、摩擦力、间隙和外载荷等因素的影响,滚动轴承的振动信号往往会表现出非平稳特征,因此,如何从非平稳信号中提取故障特征信息,在滚动轴承的故障诊断中就显得尤为重要[3]。

以快速傅里叶变换(FFT)为核心的传统频谱分析方法在平稳信号处理的特征提取中发挥了重要作用,但对非平稳信号进行分析时其结果失去了物理意义[4]。

小波变换能够同时提供信号在时域和频域的局部化信息,但其本质是窗口可调的Fourier变换,由于小波基长度有限,因此在对信号进行时频分析时,会产生能量泄漏[5,6]。

针对滚动轴承故障信号的非平稳特性,提出了一种基于H ilbert2Huang变换[7]及H ilbert边际谱的滚动轴承故障诊断方法。

H ilbert2Huang变换是由Huang 提出的信号处理方法,它包含E MD和H ilbert变换两个过程,对信号进行H ilbert2Huang变换后可以得到信号能量完整、精确的时频分布[8],进一步可以得到信号的H ilbert边际谱。

第４６卷第４期２０２０年８月包　钢　科　技ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＢａｏｔｏｕＳｔｅｅｌＶｏｌ．４６，Ｎｏ．４Ａｕｇｕｓｔ，２０２０基于Ｈｉｌｂｅｒｔ包络解调的增速机滚动轴承故障诊断郝富贵１，２，任学平２（１ 内蒙古包钢钢联股份有限公司设备工程部，内蒙古包头　０１０４０１０；２ 内蒙古科技大学机械工程学院，内蒙古包头　０１４０１０）摘　要：考虑到故障诊断涉及机械、信号处理、高等数学、振动学等多门学科交叉等特点，结合现场设备工况以及点检人员具体情况，提出利用Ｈｉｌｂｅｒｔ包络解调对滚动轴承工作状态进行判别。

通过使用封装了Ｈｉｌｂｅｒｔ包络解调电路的智能点检仪对现场数据进行分析，验证了此方法在轧机增速机滚动轴承故障诊断过程中的实用性与有效性。

关键词：增速机；滚动轴承；包络解调；故障诊断中图分类号：ＴＨ１３３ ３３ 文献标识码：Ｂ 文章编号：１００９－５４３８（２０２０）０４－００６３－０４ＦａｕｌｔＤｉａｇｎｏｓｉｓｆｏｒＲｏｌｌｉｎｇＢｅａｒｉｎｇｏｆＳｐｅｅｄＩｎｃｒｅａｓｉｎｇＭａｃｈｉｎｅＢａｓｅｄｏｎＨｉｌｂｅｒｔＥｎｖｅｌｏｐｅＤｅｍｏｄｕｌａｔｉｏｎＨａｏＦｕ－ｇｕｉ１，２，ＲｅｎＸｕｅ－ｐｉｎｇ２（１．ＥｑｕｉｐｍｅｎｔＥｎｇｉｎｅｅｒｉｎｇＤｅｐｔ．ｏｆＩｎｎｅｒＭｏｎｇｏｌｉａＢａｏｔｏｕＳｔｅｅｌＵｎｉｏｎＣｏ．，Ｌｔｄ．，Ｂａｏｔｏｕ０１４０１０，ＩｎｎｅｒＭｏｎｇｏｌｉａＡｕｔｏｎｏｍｏｕｓＲｅｇｉｏｎ，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｂａｏｔｏｕ０１４０１０，ＩｎｎｅｒＭｏｎｇｏｌｉａＡｕｔｏｎｏｍｏｕｓＲｅｇｉｏｎ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：ＩｔｉｓｐｒｏｐｏｓｅｄｔｏｄｉｓｃｒｉｍｉｎａｔｅｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｗｉｔｈＨｉｌｂｅｒｔｅｎｖｅｌｏｐｅｄｅｍｏｄｕｌａｔｉｏｎｉｎｃｏｎｓｉｄｅｒａｔｉｏｎｏｆｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｉｎｖｏｌｖｉｎｇｓｕｃｈｄｉｓｃｉｐｌｉｎｅｓａｓｍａｃｈｉｎｅｒｙ，ｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ，ａｄｖａｎｃｅｄｍａｔｈｅｍａｔｉｃｓａｎｄｖｉｂｒａｔｉｏｎａｓｗｅｌｌａｓｃｏｍｂｉｎｉｎｇｗｉｔｈｔｈｅｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓｏｆｆｉｅｌｄｅｑｕｉｐｍｅｎｔａｎｄｓｐｅｃｉｆｉｃｃｉｒｃｕｍｓｔａｎｃｅｓｏｆｓｐｏｔｃｈｅｃｋｐｅｒ ｓｏｎｎｅｌ．ＴｈｅｐｒａｃｔｉｃａｂｉｌｉｔｙａｎｄｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｍｅｔｈｏｄｉｎｆａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｏｆｓｐｅｅｄｉｎｃｒｅａｓｉｎｇｍａｃｈｉｎｅｆｏｒｒｏｌｌｉｎｇｍｉｌｌａｒｅｖｅｒｉｆｉｅｄｔｈｒｏｕｇｈａｎａｌｙｚｉｎｇｆｉｅｌｄｄａｔａｗｉｔｈｔｈｅｉｎｔｅｌｌｉｇｅｎｔｐｏｉｎｔｄｅｔｅｃｔｏｒｅｎｃａｐｓｕｌａｔｅｄｗｉｔｈＨｉｌｂｅｒｔｅｎｖｅｌｏｐｅｄｅｍｏｄｕｌａｔｉｏｎｃｉｒｃｕｉｔ． Ｋｅｙｗｏｒｄｓ：ｓｐｅｅｄｉｎｃｒｅａｓｉｎｇｍａｃｈｉｎｅ；ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；ｅｎｖｅｌｏｐｅｄｅｍｏｄｕｌａｔｉｏｎ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ 滚动轴承作为旋转机械的重要的基础部件，在钢铁企业炼铁厂高炉、炼钢厂转炉、轧钢厂不同类型的轧机上应用非常广泛。

基于LCD-Hilbert谱奇异值和QRVPMCD的滚动轴承故障诊断方法杨宇;何知义;潘海洋;程军圣【期刊名称】《振动与冲击》【年(卷),期】2015(000)007【摘要】针对多变量预测模型的模式识别（Variable Predictive Model Based Class Discriminate，VPMCD）方法在参数估计中存在的缺陷，采用分位数回归（Quantile Regression，QR）代替原方法中的最小二乘法进行参数估计，克服最小二乘回归中强假设、易受异常值影响等问题，以此提高模式识别的精度。

因此，提出了基于分位数回归的多变量预测模型模式识别方法（Quantile Regression-Variable Predictive Mode Based Cass Discriminate ，QRVPMCD）。

采用局部特征尺度分解（Lo-cal Characteristic-Scale Decomposition，LCD）方法对滚动轴承振动信号进行分解得到若干个单分量信号，提取单分量信号的Hilbert谱奇异值组成故障特征向量，并以此作为QRVPMCD的输入进行滚动轴承故障诊断。

对不同工作状态和故障类型下的滚动轴承振动信号进行了分析，结果表明了该方法的有效性。

【总页数】6页(P121-126)【作者】杨宇;何知义;潘海洋;程军圣【作者单位】湖南大学汽车车身先进设计制造国家重点实验室，长沙 410082;湖南大学汽车车身先进设计制造国家重点实验室，长沙 410082;湖南大学汽车车身先进设计制造国家重点实验室，长沙 410082;湖南大学汽车车身先进设计制造国家重点实验室，长沙 410082【正文语种】中文【中图分类】TH113【相关文献】1.基于分量筛选奇异值分解的滚动轴承故障诊断方法研究 [J], 朱军;闵祥敏;孔凡让;黄伟国;王超;胡智勇2.基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法 [J], 付秀伟;高兴泉3.基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法研究 [J], 秦波;刘永亮;王建国;李文卿4.基于LMD与奇异值差分谱的滚动轴承故障诊断方法 [J], 马朝永;刘茜;段建民5.基于EEMD奇异值熵的滚动轴承故障诊断方法 [J], 张琛;赵荣珍;邓林峰因版权原因，仅展示原文概要，查看原文内容请购买。