基于核獨立分量分析的階次emd方法在軸承故障診斷中的應用

基于核獨立分量分析的階次emd方法在軸承故障診斷中的應用

在機械系統(tǒng)的實際車輛測試中，大部分真實測量信號都是齒輪箱在變速和變換期產(chǎn)生的瞬態(tài)信號。采用經(jīng)驗模型分離的分析方法（ed），是一種新的自適應處理器方法。它非常適合非線性和非平坦的過程。它可用于分析和處理齒輪箱的瞬態(tài)信號。而聲學檢測法是一種非接觸檢測方法,順應當前裝備非接觸、不解體的實時在線快速檢測和故障診斷的發(fā)展趨勢,與傳統(tǒng)的振動檢測法相比有著顯著的優(yōu)越性和廣闊的發(fā)展前景,所以下文分析處理的信號就采用齒輪E-mail:tgok@163.com。箱在瞬態(tài)工況下產(chǎn)生的聲音信號,即瞬態(tài)聲信號。實際工況下檢測到的瞬態(tài)聲信號中包含著大量的干擾,使得反映故障特征的故障源信號很容易被其他信號所掩蓋乃至淹沒,導致檢測到的信號信噪比很低,嚴重影響故障診斷的準確性和可靠性。近年來迅速發(fā)展起來的盲源分離技術(shù)提供了一種全新的解決思路,因此,針對齒輪箱軸承故障信號非線性的特點,將基于非線性函數(shù)空間的核獨立分量分析(KernelIndependentComponentAnalysis,KICA)應用于齒輪箱軸承故障診斷中。1引入rca算法和夢德方法1.1核獨立分量分析盲源分離技術(shù)是基于信號高階統(tǒng)計特性的分析方法,是指從多個源信號的線性混合信號中分離出源信號的技術(shù)。目前已發(fā)展了很多不同的算法,但在處理非線性變化的信號上還有一定的局限性。在實車測試中,信號傳輸會受齒輪箱內(nèi)部結(jié)構(gòu)的復雜性和傳遞過程等因素影響,在其內(nèi)部存在著更加復雜的非線性過程,嚴重影響故障診斷的準確性和可靠性。核獨立分量分析不是現(xiàn)有的ICA方法的簡單核化,而是一種全新的ICA方法。核技術(shù)的思想就是利用非線性映射?:Rm→R,把原輸入空間的非線性變量yi∈Rm(i=1,2,…,N)映射到某一核特征空間R中,使其線性化,然后在這個特征空間中對被映射的數(shù)據(jù)進行分析。從而使得R空間中的線性盲源分離等價于原空間中的非線性盲源分離。這種技術(shù)引人注目的特點之一是可以利用核函數(shù)來代替兩向量間的內(nèi)積以實現(xiàn)非線性變換,而不需要考慮非線性變換的具體形式?；贗CA和核技術(shù)的優(yōu)點,在齒輪箱信號分析中應用核獨立分量分析方法。其特點是利用重構(gòu)核希爾伯特空間(ReproducingKernelHilbertSpace,RKHS)內(nèi)的非線性函數(shù)作為對比函數(shù),將信號從低維空間映射到高維空間,并運用核方法在該空間內(nèi)搜索對比函數(shù)的最小值。該函數(shù)與常用的互信息有一定的相關(guān)性,并且擁有較好的數(shù)學性質(zhì),另外該函數(shù)空間適用于各種不同分布的源,因此,KICA方法相比傳統(tǒng)的ICA方法具有更好的靈活性和魯棒性。1.2信號的精確表達EMD能根據(jù)信號自身的特點,將信號分解成從高到低不同頻率、不等帶寬的若干分量信號的和,這些分量信號稱為固有模式函數(shù)(IntrinsicModeFunction,IMF),對每個IMF進行Hilbert變換就可以得到信號的瞬時頻率和幅值,從而給出信號隨時間和頻率變化的精確表達,可用于對信號的局部行為做出精確的描述。EMD的根本目的是求信號的瞬時頻率,為了獲得信號某一時刻的瞬時頻率值,它自適應地利用了信號在該時刻的局部信息,以一種全新的角度詮釋了信號的局瞬特性,特別適用于分析頻率隨時間變化的非平穩(wěn)信號,是對以Fourier變換為基礎的線性、穩(wěn)態(tài)頻譜分析的一個重大突破。2基于emd的故障復雜性分析結(jié)合EMD算法的優(yōu)越性,提出了基于KICA算法的階次EMD方法,具體步驟為:首先,應用KICA算法對測取的齒輪箱瞬態(tài)聲信號進行分離,得到包含故障信息的源信號;然后對源信號進行階次分析角域重采樣,并對得到的角域信號進行EMD分解得到各IMF分量;最后對包含故障信息的分量分析處理(可以采樣進行倒譜分析或包絡譜分析),提取故障特征階次,從而對故障部件進行準確定位。該方法的原理如圖1所示。3瞬態(tài)聲信號分離和重建以齒輪箱在升速狀態(tài)下的軸承外圈裂紋故障為例進行試驗驗證。齒輪箱變速測試系統(tǒng)由調(diào)速電動機、某型單級傳動齒輪箱、聯(lián)軸器、磁粉負載、聲強傳感器、轉(zhuǎn)速扭矩傳感器和LMS分析儀組成,其中軸承為6206深溝球軸承,在不影響軸承正常使用性能的情況下,采用線切割的方法在一個外圈內(nèi)表面沿著軸向加工一道寬0.5mm,深1.5mm的小槽來模擬外圈局部裂紋故障。調(diào)節(jié)調(diào)速電動機使齒輪箱轉(zhuǎn)速由0升至1200r/min,同步測取瞬態(tài)聲信號和轉(zhuǎn)速信號并進行分析,采樣帶寬為6.4kHz,采樣頻率為12800Hz,采樣時間約為2s。利用加速過程中的瞬態(tài)聲信號進行分離試驗。經(jīng)計算可得軸承外圈裂紋故障的倒階次為O?c=100.6°Ο^c=100.6°。齒輪箱輸入軸轉(zhuǎn)速曲線如圖2所示,從圖中可以看出,轉(zhuǎn)速在2s內(nèi)加速至大約20Hz(極對數(shù)為1),是一個加速的瞬態(tài)過程。測取的其中一路瞬態(tài)聲信號如圖3所示,其中包含了大量的干擾成分。為了驗證KICA算法的優(yōu)越性,進行了對比分析。首先直接對圖3信號進行EMD分解,分解后各IMF分量如圖4所示。然后對圖4中的各IMF分量做頻譜分析,分解后的頻譜圖如圖5所示,圖中各分量的頻譜圖按照由高頻到低頻的順序排列,符合EMD的分解規(guī)律,但由于這些信號為瞬態(tài)信號,直接對其進行FFT頻譜分析會產(chǎn)生“頻率模糊”現(xiàn)象,所以需要采用階次分析,將時域信號轉(zhuǎn)換成角域信號,以滿足FFT的要求。實測瞬態(tài)聲信號的角域重采樣信號如圖6所示,圖7為角域信號經(jīng)EMD分解后的各IMF分量。取出第3個IMF分量,并對其做階次倒譜,如圖8所示。因為故障特征被能量較大的齒輪嚙合信號和其他干擾所湮沒,從圖中仍然看不到明顯的外圈裂紋故障特征,所以需要采用KICA算法進行處理。選取2路實測的瞬態(tài)聲信號,如圖9所示。這2路實測瞬態(tài)聲信號經(jīng)KICA算法分離后得到的信號如圖10所示,提取第1路信號進行階次分析,得到角域重采樣信號,如圖11所示。對分離后的角域信號進行EMD分解得到各IMF分量,其中的IMF3分量圖如圖12所示。再對IMF3分量進行階次倒譜分析,結(jié)果如圖13所示。從圖13中可以明顯地看到反映軸承外圈裂紋故障特征成分(峰值5),說明經(jīng)過KICA算法處理后,極大地提高了信號信噪比,也驗證了基于KICA算法的階次EMD方法在處理齒輪箱瞬態(tài)聲信號中的有效性,可以對齒輪箱軸承故障特征