基于ITD和敏感SVD的故障診斷方法研究

齊 鵬， 范玉剛， 馮 早

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院， 昆明 650500；2.云南省礦物管道輸送工程技術(shù)研究中心， 昆明 650500)

?

基于ITD和敏感SVD的故障診斷方法研究

齊 鵬1，2*， 范玉剛1，2， 馮 早1，2

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院， 昆明 650500；2.云南省礦物管道輸送工程技術(shù)研究中心， 昆明 650500)

如何在含有噪聲的振動(dòng)信號(hào)中提取故障特征，是軸承故障診斷的關(guān)鍵問(wèn)題，為此本文提出一種基于本征時(shí)間尺度分解(Intrinsic Time-scale Decomposition，ITD)和敏感奇異值分解(Sensitive Singular Value Decomposition，SSVD)的故障診斷方法.首先對(duì)時(shí)域振動(dòng)信號(hào)進(jìn)行ITD預(yù)處理，并根據(jù)峭度準(zhǔn)則選取包含故障信息的敏感旋轉(zhuǎn)(Proper Rotation，PR)分量用于振動(dòng)信號(hào)重構(gòu)，以凸顯振動(dòng)信號(hào)局部特征；然后對(duì)此時(shí)頻信號(hào)進(jìn)行敏感SVD分析，通過(guò)敏感因子及定位因子選擇敏感SVD分量重構(gòu)信號(hào)，以濾除噪聲干擾，提取微弱故障信息；最后利用Teager-Kaiser能量算子(Teager-Kaiser Energy Operator，TKEO)計(jì)算故障信息的瞬時(shí)能量，并對(duì)其進(jìn)行頻譜分析，獲取故障特征頻率，用于識(shí)別故障類(lèi)型.將此方法應(yīng)用于軸承故障診斷，實(shí)驗(yàn)證明了所提方法的有效性.

本征時(shí)間尺度分解； 敏感奇異值分解； 峭度準(zhǔn)則； 敏感因子； 定位因子； Teager-Kaiser能量算子

鑒于工廠中旋轉(zhuǎn)機(jī)械設(shè)備的正常運(yùn)轉(zhuǎn)與滾動(dòng)軸承有著重要的聯(lián)系，因此軸承能否保持健康的運(yùn)行狀態(tài)將直接關(guān)系到工業(yè)生產(chǎn)安全.近年來(lái)，相關(guān)學(xué)者都致力于研究如何有效提取復(fù)雜工況下其振動(dòng)信號(hào)所包含的微弱故障特征，此研究對(duì)軸承故障診斷技術(shù)的發(fā)展具有重要意義.

由于軸承故障振動(dòng)信號(hào)具有非平穩(wěn)、突變性等特點(diǎn)，且早期微弱故障特征易被背景噪聲所掩蓋，因此，若要提取表征軸承運(yùn)行狀態(tài)的有效信息，需對(duì)軸承振動(dòng)信號(hào)進(jìn)行預(yù)處理.傳統(tǒng)的時(shí)域分析法和頻譜分析法沒(méi)有考慮到負(fù)載、摩擦等非線性因素對(duì)振動(dòng)信號(hào)的影響，因而難以準(zhǔn)確描述其工作狀態(tài)[1].為了能夠獲取有效反映軸承運(yùn)行狀態(tài)的敏感信息，時(shí)頻分析法以其局部化分析非平穩(wěn)信號(hào)的特點(diǎn)，近年來(lái)得到快速發(fā)展.其中，窗口傅里葉變換的窗函數(shù)一經(jīng)確定，時(shí)頻窗大小則固定不變，因此不能敏感反映信號(hào)的突變[2]；Winger-Ville時(shí)頻分布采用雙線性變換對(duì)信號(hào)進(jìn)行分析，在處理多分量信號(hào)時(shí)會(huì)產(chǎn)生嚴(yán)重的交叉項(xiàng)干擾[3]；小波分析由于需要人工選擇小波基的原因，逐漸被自適應(yīng)時(shí)頻分析方法所取代[4]；經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)雖實(shí)現(xiàn)了自適應(yīng)對(duì)信號(hào)進(jìn)行分析的過(guò)程[5]，但其分解所存在的模態(tài)混疊、端點(diǎn)效應(yīng)等問(wèn)題從一定程度上影響了信號(hào)分析的準(zhǔn)確性.本征時(shí)間尺度分解(Intrinsic Time-scale Decomposition，ITD)不僅吸納了以往時(shí)頻分析方法優(yōu)勢(shì)，而且在抑制端點(diǎn)效應(yīng)、拆解效率等方面都明顯優(yōu)于EMD等方法[6]，可有效將復(fù)雜工況信號(hào)分解為單分量調(diào)制信號(hào)(PR分量)，從而反映局部特征信息.由于單分量調(diào)制信號(hào)仍含有較大噪聲干擾，對(duì)其直接進(jìn)行頻譜分析，難以有效定位特征頻率，故需進(jìn)一步處理.

奇異值分解(Singular Value Decomposition，SVD)可有效降低背景噪聲對(duì)特征提取的影響，使原本微弱的故障沖擊特征變得清晰可見(jiàn)，被廣泛應(yīng)用于故障診斷等領(lǐng)域[7].但如何選擇有效奇異值重構(gòu)信號(hào)進(jìn)而提取信號(hào)特征仍是目前的主要研究問(wèn)題，趙學(xué)智教授等提出根據(jù)奇異值曲率譜/差分譜選擇有效奇異值進(jìn)行信號(hào)重構(gòu)[8-9]，對(duì)故障特征提取具有重大意義.耿宇斌等提出對(duì)時(shí)頻系數(shù)矩陣進(jìn)行SVD分析時(shí)，表征故障信息的奇異值隨信噪比的減小而逐漸向后偏移[10]，此時(shí)若使用奇異值曲率譜/差分譜選擇前幾個(gè)奇異值重構(gòu)信號(hào)，難免會(huì)混入部分噪聲信息，影響故障特征的提取.鑒于此，本文提出敏感SVD方法用于解決奇異值選擇難的問(wèn)題，采用敏感因子篩選反映故障特征的分量信號(hào)，并通過(guò)定位因子確定分量信號(hào)所對(duì)應(yīng)的奇異值，據(jù)此重構(gòu)信號(hào)，以降低噪聲干擾，實(shí)現(xiàn)軸承早期微弱故障特征的有效提取.

鑒于此，本文提出了一種基于ITD和敏感SVD的故障診斷方法.該方法首先利用ITD時(shí)頻處理方法將軸承采樣信號(hào)分解為若干旋轉(zhuǎn)(Proper Rotation，PR)分量，并根據(jù)峭度準(zhǔn)則選取敏感分量重構(gòu)信號(hào)，以凸顯振動(dòng)信號(hào)局部特征；然后基于此重構(gòu)信號(hào)構(gòu)建Hankel矩陣，并通過(guò)奇異值貢獻(xiàn)率確定矩陣維數(shù)，對(duì)此矩陣進(jìn)行敏感SVD分析，以降低背景噪聲干擾，提取突變信息；最后采用Teager-Kaiser能量算子計(jì)算突變信息瞬時(shí)能量，對(duì)該能量信號(hào)進(jìn)行頻譜分析，可準(zhǔn)確定位故障特征頻率，用于判別軸承故障類(lèi)型.

1振動(dòng)信號(hào)的ITD分解與重構(gòu)

由于滾動(dòng)軸承故障多具有隨機(jī)性、非線性等特點(diǎn)，導(dǎo)致其振動(dòng)信號(hào)通常含有復(fù)雜的調(diào)制成分.為了有效提取表征軸承故障的突變信息，需對(duì)振動(dòng)信號(hào)進(jìn)行有效解調(diào).Frei等針對(duì)軸承故障信號(hào)特點(diǎn)提出ITD方法，其分解所得旋轉(zhuǎn)分量信號(hào)具有一定的物理意義，可有效反映原始信號(hào)局部特征，適用于分析調(diào)幅-調(diào)頻信號(hào)[11].

1.1振動(dòng)信號(hào)的ITD分解

假定某機(jī)械系統(tǒng)的故障測(cè)試信號(hào)為Xt=[x1， x2， … ， xn]，并將L定義為基線提取因子，對(duì)此信號(hào)進(jìn)行一次ITD分解，其分解結(jié)果可表示為：

Xt=LXt+(1-L)Xt=Lt+Ht，

(1)

式中，Ht=(1-L)Xt為PR分量，Lt=LXt為基線分量.

ITD分解的具體實(shí)現(xiàn)步驟如下：

第1步 確定測(cè)試信號(hào)Xt的極值Xk及其所對(duì)應(yīng)時(shí)刻τk，k為極值點(diǎn)個(gè)數(shù)，定義信號(hào)的分段線性基線提取因子L如下：

(2)

(3)

式中，t∈(τk，τk+1)；α為控制提取固有旋轉(zhuǎn)分量幅度的增益控制參數(shù)，0﹤α﹤1，本文取0.5.

第2步 通過(guò)已獲得基線分量Lt得到PR分量Ht，公式如下：

Ht=(1-L)Xt=Xt-Lt.

(4)

第3步 將基線信號(hào)Lt作為原始信號(hào)，重復(fù)上述步驟進(jìn)行再次分解，直至基線分量成為一個(gè)單調(diào)趨勢(shì)信號(hào)，則停止分解.多次ITD分解公式可表示為：

(5)

1.2振動(dòng)信號(hào)的ITD重構(gòu)

時(shí)域振動(dòng)信號(hào)經(jīng)ITD預(yù)處理后，得到若干時(shí)頻域分量信號(hào)，且部分分量信號(hào)中包含豐富的故障特征信息，因此如何有效選取敏感分量信號(hào)成為ITD分析的關(guān)鍵問(wèn)題.

峭度作為無(wú)量綱參數(shù)，對(duì)早期機(jī)械故障信號(hào)十分敏感，其值大小可用于分析振動(dòng)信號(hào)中所包含沖擊成分的多少，數(shù)學(xué)定義如下：

(6)

(7)

式中，Xrms為離散化均方根值，N為采樣點(diǎn)數(shù)，x(i)代表離散化的時(shí)頻分量信號(hào).

以滾動(dòng)軸承為例，其正常工作時(shí)，振動(dòng)信號(hào)幅值分布接近正態(tài)分布，峭度值大小約為3；當(dāng)其出現(xiàn)磨損、裂紋等微弱故障時(shí)，由故障引起的沖擊信號(hào)概率密度增加，振動(dòng)信號(hào)幅值分布明顯偏離正態(tài)分布，峭度值會(huì)隨之增大.因此，峭度指標(biāo)越大的故障信號(hào)，其故障沖擊成分更為豐富，有利于突變信息的特征提取.

鑒于峭度指標(biāo)具有受軸承工作條件的影響小且能夠清晰反映振動(dòng)信號(hào)中故障沖擊成分的特點(diǎn)，本文引入峭度準(zhǔn)則[12]作為敏感PR分量選取的基準(zhǔn).選取若干峭度值較大的分量信號(hào)進(jìn)行重構(gòu)，用于凸顯原始振動(dòng)信號(hào)的局部頻率及幅值特征，由于重構(gòu)信號(hào)仍受噪聲影響較為嚴(yán)重，故需對(duì)其進(jìn)一步處理.

2基于敏感SVD的微弱故障特征提取

SVD方法通過(guò)選擇分解所得有效奇異值進(jìn)行信號(hào)重構(gòu)，可有效抑制背景噪聲影響，提取反應(yīng)軸承運(yùn)行狀態(tài)的有效信息，因此被廣泛應(yīng)用于故障診斷等領(lǐng)域，但以往文獻(xiàn)多采用曲率譜/差分譜選擇有效奇異值，對(duì)于信噪比較低的信號(hào)，此方法會(huì)導(dǎo)致部分噪聲信息的混入，致使故障特征頻譜不清晰.為了適應(yīng)實(shí)際工況下復(fù)雜振動(dòng)信號(hào)的分析，本文提出了敏感SVD算法，該方法可自適應(yīng)選擇敏感SVD分量重構(gòu)信號(hào)，以濾除噪聲影響，提取軸承早期微弱故障特征.

2.1分析矩陣的構(gòu)建

進(jìn)行SVD分析的首要任務(wù)便是分析矩陣的構(gòu)建，其中，常用方法主要包括Cycle矩陣、Hankel矩陣、Toeplitz矩陣等.研究表明，若要有效去除振動(dòng)信號(hào)中噪聲成分的影響，需使用Hankel矩陣構(gòu)建分析矩陣[8].為實(shí)現(xiàn)強(qiáng)噪聲背景下微弱故障信息的有效提取，本文通過(guò)構(gòu)建Hankel矩陣進(jìn)行奇異值分解.

假設(shè)實(shí)驗(yàn)軸承的故障測(cè)試信號(hào)為X=[x1， x2， … ， xn]，利用此信號(hào)構(gòu)造Hankel矩陣如下：

式中，1

2.2敏感度評(píng)估

SVD分解所得部分分量信號(hào)包含故障敏感信息，表征軸承所處故障狀態(tài)，而其他分量則是與故障無(wú)關(guān)的分量或噪聲分量.鑒于SVD分量信號(hào)具有此特點(diǎn)，若要實(shí)現(xiàn)敏感故障特征的提取，需對(duì)其進(jìn)行有效選擇.本文將敏感度評(píng)估算法[14]引入SVD算法中，主要通過(guò)計(jì)算原始振動(dòng)信號(hào)與其SVD分量信號(hào)的相關(guān)系數(shù)及SVD分量信號(hào)與正常信號(hào)之間的相關(guān)系數(shù)來(lái)確定敏感SVD分量，具體實(shí)現(xiàn)過(guò)程如下：

第1步 計(jì)算原始振動(dòng)信號(hào)與其SVD分量信號(hào)之間的相關(guān)系數(shù)an(n=1，2，…，N)，其中N為分量信號(hào)的個(gè)數(shù)，下同.

第2步 計(jì)算SVD分量信號(hào)與正常振動(dòng)信號(hào)之間的相關(guān)系數(shù)bn(n=1，2，…，N).

第3步 綜合以上所求兩個(gè)相關(guān)系數(shù)an、bn得故障相關(guān)系數(shù)cn如下：

(8)

第4步 計(jì)算SVD分量信號(hào)的故障敏感因子dn如下：

(9)

第5步 將所得敏感因子dn按照從大到小的順序進(jìn)行排列，得到新的序列

(10)

第6步 計(jì)算相鄰敏感因子的差值，構(gòu)造敏感因子差分譜，自適應(yīng)找出最大差值所對(duì)應(yīng)的序列號(hào)k，那么前k個(gè)SVD分量信號(hào)即為故障敏感信號(hào).

第7步 由于敏感因子從大到小排列打亂了奇異值順序，故定義定位因子en，并通過(guò)定位因子找出前k個(gè)敏感SVD分量信號(hào)所對(duì)應(yīng)的奇異值進(jìn)行信號(hào)重構(gòu)，以削弱噪聲影響，提取微弱故障信息.

2.3TKEO瞬時(shí)能量提取

TKEO是由Kaiser提出的一種非線性差分算子，對(duì)瞬變信號(hào)具有良好的時(shí)間分辨率，并可有效提取信號(hào)的瞬時(shí)幅值及瞬時(shí)頻率，因此被廣泛應(yīng)用于機(jī)械故障診斷領(lǐng)域[15].

對(duì)于連續(xù)時(shí)域信號(hào)x(t)，TKEO表達(dá)式為

(11)

而對(duì)于離散時(shí)域信號(hào)x(n)，可用離散差分方程代替連續(xù)時(shí)間量的導(dǎo)數(shù)，得離散信號(hào)x(n)的TKEO表達(dá)式如下：

ψd[x(n)]=x2(n)-x(n-1)x(n+1).

(12)

鑒于Teager能量算子在分析瞬變信號(hào)時(shí)具有良好時(shí)間分辨率的特點(diǎn)，本文將其用于計(jì)算軸承突變信息的瞬時(shí)能量，此方法可突顯故障沖擊特征，利于微弱故障信息的有效提取.

3基于ITD和敏感SVD的故障診斷方法

綜上研究，本文提出基于ITD和敏感SVD的故障診斷方法，首先利用ITD時(shí)頻分析方法對(duì)原信號(hào)進(jìn)行預(yù)處理，將其分解為若干PR分量，基于峭度準(zhǔn)則選擇前幾個(gè)峭度值較大的分量信號(hào)進(jìn)行重構(gòu)，從而凸顯振動(dòng)信號(hào)局部特征；然后對(duì)此重構(gòu)信號(hào)進(jìn)行敏感SVD分析，以凸顯微弱故障信息；最后通過(guò)Teager-Kaiser能量算子計(jì)算所獲信息的瞬時(shí)能量，并對(duì)其進(jìn)行頻譜分析，用于獲取故障特征頻率，進(jìn)而識(shí)別故障類(lèi)型.該方法流程如圖1所示.

圖1 基于ITD和敏感SVD的故障診斷方法流程圖Fig.1 Flowchart of fault diagnosis method based on ITD and Sensitive SVD

具體步驟如下：

第1步 對(duì)滾動(dòng)軸承外圈故障、內(nèi)圈故障的振動(dòng)信號(hào)以固定的采樣頻率fs分別進(jìn)行采樣；

第2步 對(duì)采樣信號(hào)X進(jìn)行ITD分解，得到若干PR分量和一個(gè)趨勢(shì)分量；

第3步 計(jì)算每個(gè)PR分量的峭度值，根據(jù)其大小選擇若干(本文取前2個(gè))峭度值較大的分量信號(hào)進(jìn)行重構(gòu)；

第4步 基于重構(gòu)信號(hào)構(gòu)建m=2的Hankel矩陣A，對(duì)其進(jìn)行SVD分析，得奇異值矩陣S1=[diag(σ1， …， σm-1) O]，并求解奇異值貢獻(xiàn)率N1=[η1， …， ηm-1]；

第5步 令m=m+1，重復(fù)執(zhí)行第4步，得奇異值貢獻(xiàn)率Nm-1，若Nk至Nm-1中總有ηk小于某一特定值η(本文取η=2%)，則循環(huán)結(jié)束，并由此確定m=k；否則重復(fù)執(zhí)行第5步，直至滿足循環(huán)結(jié)束條件；

第6步 根據(jù)所確定維數(shù)構(gòu)建分析矩陣，并進(jìn)行SVD分解與重構(gòu)，得到若干SVD分量信號(hào)，通過(guò)敏感因子判別其所包含沖擊成分的多少，并構(gòu)建敏感因子差分譜，據(jù)此選擇敏感SVD分量；

第7步 利用定位因子定位所選敏感SVD分量對(duì)應(yīng)的奇異值，據(jù)此重構(gòu)信號(hào)，以剔除噪聲，凸顯故障信息；

第8步 采用Teager-Kaiser能量算子計(jì)算故障信息的瞬時(shí)能量，并對(duì)其進(jìn)行頻譜分析.

通過(guò)以上步驟，即可有效獲取故障特征頻率，用于識(shí)別軸承早期微弱故障類(lèi)型.

4實(shí)驗(yàn)研究

4.1實(shí)驗(yàn)說(shuō)明

為確定本文方法在實(shí)際軸承故障診斷中的有效性，本實(shí)驗(yàn)數(shù)據(jù)來(lái)源于凱斯西儲(chǔ)大學(xué)電氣工程實(shí)驗(yàn)室數(shù)據(jù)[16]，其具體參數(shù)詳見(jiàn)表1，軸承負(fù)載2.237 kW，轉(zhuǎn)頻1 730 r·min-1，采樣頻率為48 kHz.以軸承內(nèi)/外圈上直徑為0.177 8 mm，深0.279 4 mm的小槽模擬其內(nèi)/外圈局部裂紋故障.

表1 6205-2RS JEM SKF型軸承參數(shù)

通過(guò)以上數(shù)據(jù)，可得軸承內(nèi)圈故障基頻fi=156.14 Hz，外圈故障基頻fo=103.36 Hz.

4.2實(shí)驗(yàn)分析

實(shí)驗(yàn)分別對(duì)軸承外圈、內(nèi)圈故障的時(shí)域采樣信號(hào)進(jìn)行分析，用以驗(yàn)證本文算法的有效性與可行性.

第1步 首先以軸承外圈故障為例，采用ITD方法將原始振動(dòng)信號(hào)分解為4個(gè)PR分量，如圖2(a)所示(篇幅限制，僅給出前3個(gè)分量)；計(jì)算每個(gè)PR分量的峭度指標(biāo)，其值大小如表2所示；基于峭度準(zhǔn)則選取前2個(gè)峭度值較大的分量信號(hào)進(jìn)行重構(gòu)，ITD重構(gòu)信號(hào)如圖2(b)所示，可以看出重構(gòu)信號(hào)仍存在噪聲干擾；奇異值貢獻(xiàn)率曲線如圖3(a)所示，當(dāng)m值的逐漸增大時(shí)，奇異值貢獻(xiàn)率愈發(fā)趨近于零，當(dāng)m≥6時(shí)，其貢獻(xiàn)率小于本文所設(shè)閾值(2%)，因此可確定Hankel矩陣的維數(shù)為m=6；分解所得SVD分量信號(hào)如圖3(b)所示，由圖可以看出后3個(gè)奇異值所對(duì)應(yīng)分量信號(hào)的沖擊特征更加明顯；對(duì)SVD分量信號(hào)進(jìn)行敏感度評(píng)估，敏感因子及其差分譜如圖3(c)所示，根據(jù)敏感因子差分譜準(zhǔn)則，選擇前4個(gè)分量作為敏感分量；由于敏感因子從大到小排列打亂了奇異值順序，故本文通過(guò)定位因子來(lái)確定這4個(gè)分量所對(duì)應(yīng)的奇異值，定位因子圖譜如圖3(d)所示，可見(jiàn)敏感分量所對(duì)應(yīng)奇異值在原序列中的位置為3、4、5、6，因此選擇后4個(gè)奇異值進(jìn)行信號(hào)重構(gòu)，并通過(guò)TKEO計(jì)算其瞬時(shí)能量，進(jìn)而對(duì)其進(jìn)行頻譜分析，頻譜圖如圖3(e)所示，圖中清晰定位到了外圈故障的基頻及倍頻(圖中僅列至8倍頻)，可準(zhǔn)確判別此為軸承外圈故障.

表2 外圈故障PR分量的峭度指標(biāo)

圖2 外圈故障信號(hào)的ITD分解與重構(gòu)Fig.2 ITD decomposition and reconstruction of the outer ring fault signal

圖3 外圈故障信號(hào)的敏感SVD分析結(jié)果Fig.3 Sensitive SVD analysis of outer ring fault signal

第2步 對(duì)軸承內(nèi)圈故障信號(hào)進(jìn)行分析，利用ITD方法將其分解為5個(gè)PR分量，如圖4(a)所示(篇幅限制，僅給出前3個(gè)分量)；計(jì)算每個(gè)PR分量的峭度指標(biāo)，其值大小如表3所示；基于峭度準(zhǔn)則選取前2個(gè)峭度值較大的分量信號(hào)進(jìn)行重構(gòu)，ITD重構(gòu)信號(hào)如圖4(b)所示，由圖可看出噪聲干擾較為嚴(yán)重；奇異值貢獻(xiàn)率曲線如圖5(a)所示，當(dāng)m值的逐漸增大時(shí)，奇異值貢獻(xiàn)率愈發(fā)趨近于零，當(dāng)m≥6時(shí)，其貢獻(xiàn)率小于本文所設(shè)閾值(2%)，因此可確定Hankel矩陣的維數(shù)為m=6；SVD分量信號(hào)如圖5(b)所示，各個(gè)分量信號(hào)中都包含一定成分的沖擊特征，但均不明顯；對(duì)SVD分量信號(hào)進(jìn)行敏感度評(píng)估，敏感因子及其差分譜如圖5(c)所示，根據(jù)敏感因子差分譜準(zhǔn)則，將前4個(gè)SVD分量選作敏感分量；由于敏感因子從大到小排列打亂了奇異值順序，故需通過(guò)定位因子來(lái)確定這4個(gè)分量所對(duì)應(yīng)的奇異值，定位因子曲線如圖5(d)所示，可見(jiàn)敏感分量所對(duì)應(yīng)奇異值在原序列中的位置為后四個(gè)，據(jù)此進(jìn)行信號(hào)重構(gòu)，并通過(guò)TKEO計(jì)算其瞬時(shí)能量，進(jìn)而對(duì)其進(jìn)行頻譜分析，頻譜圖如圖5(e)所示，圖中清晰顯示了內(nèi)圈故障的基頻信息及倍頻信息，可準(zhǔn)確判別此為軸承內(nèi)圈故障.

表3 內(nèi)圈故障PR分量的峭度指標(biāo)

圖4 內(nèi)圈故障信號(hào)的ITD分解與重構(gòu)Fig.4 ITD decomposition and reconstruction of the inner ring fault signal

圖5 內(nèi)圈故障信號(hào)的敏感SVD分析結(jié)果Fig.5 Sensitive SVD analysis of inner ring fault signal

4.3對(duì)比實(shí)驗(yàn)

令對(duì)比實(shí)驗(yàn)所用數(shù)據(jù)與原始數(shù)據(jù)一致，將其與文獻(xiàn)[8]中通過(guò)曲率譜選取有效奇異值進(jìn)行特征提取的方法進(jìn)行對(duì)比.將文獻(xiàn)[8]方法應(yīng)用于軸承外圈故障、內(nèi)圈故障的檢測(cè)，結(jié)果如圖6所示.

由上圖可知，文獻(xiàn)[8]方法處理所得頻譜圖由于受噪聲干擾原因，致使與故障無(wú)關(guān)信息出現(xiàn)的概率增加，所提取基頻幅值雖然較大，但其中難免夾雜著部分噪聲信息，且倍頻信息易噪聲所掩蓋，致使檢測(cè)精度降低.綜上實(shí)驗(yàn)，驗(yàn)證了本文特征提取方法可有效凸顯復(fù)雜信號(hào)的局部特征，并降低背景噪聲干擾，從而提取反映故障的沖擊信息，用于準(zhǔn)確識(shí)別軸承的早期微弱故障類(lèi)型.

圖6 文獻(xiàn)[8]方法處理結(jié)果Fig.6 Processing results of literature [8] method

5結(jié)束語(yǔ)

1)本文采用ITD方法對(duì)調(diào)幅-調(diào)頻振動(dòng)信號(hào)進(jìn)行預(yù)處理，將其分解為若干PR分量，并引入峭度準(zhǔn)則用于選取敏感PR分量進(jìn)行重構(gòu)，可有效反映原始信號(hào)的局部頻率及幅值特征.

2)本文提出敏感SVD方法，旨在解決復(fù)雜工況下早期微弱故障特征提取的問(wèn)題，此方法通過(guò)敏感因子及定位因子選取故障敏感SVD分量，從而有效濾除背景噪聲干擾，較傳統(tǒng)SVD方法具有更高的檢測(cè)精度.

3)本文將ITD與敏感SVD方法結(jié)合起來(lái)用于軸承故障診斷，實(shí)驗(yàn)結(jié)果證明本文方法可有效提取故障沖擊特征頻率，從而識(shí)別軸承早期微弱故障類(lèi)型.

[1] 張 超， 陳建軍， 郭 迅. 基于EMD能量熵和支持向量機(jī)的齒輪故障診斷方法[J].振動(dòng)與沖擊， 2010， 29(10)：216-220．

[2] 李允公， 姚 兆， 劉 杰， 等. 基于瞬時(shí)頻率的窗寬遞增尋優(yōu)的短時(shí)傅里葉變換[J].東北大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2007， 28(12)：1737-1740．

[3] 秦洪懋， 孫嘉兵， 孫 寧. 基于Winger分布和奇異值分解的軸承故障診斷[J].機(jī)械強(qiáng)度， 2015， 37(1)：28-31．

[4] 程軍圣， 馬興偉， 楊 宇. 基于VPMCD和EMD的齒輪故障診斷方法[J].振動(dòng)與沖擊， 2013， 32(20)：9-13．

[5] 李云飛， 全海燕， 肖春梅. 基于EMD的ICA語(yǔ)音增強(qiáng)[J].華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2015， 49(1)：42-46．

[6] YANG Y， PAN H Y， MA L， et al. A roller bearing fault diagnosis method based on the improved ITD and RRVPMCD[J]. Measurement， 2014， 55(29): 255-264．

[7] LEHTOLA L， KARSIKAS M， KOSKINEN M， et a1. Effects of noise and filtering on SVD-based morphological parameters of the T wave in the ECG[J]. Journal of Medical Engineering and Technology， 2008， 32(5): 400-407．

[8] 趙學(xué)智， 葉邦彥， 陳統(tǒng)堅(jiān). 奇異值差分譜理論及其在車(chē)床主軸箱故障診斷中的應(yīng)用[J].機(jī)械工程學(xué)報(bào)， 2010， 46(1)：100-108．

[9] 趙學(xué)智， 葉邦彥， 陳統(tǒng)堅(jiān). 基于奇異值曲率譜的有效奇異值選擇[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2010， 38(6)：11-18， 23．

[10] 耿宇斌， 趙學(xué)智. 基于Molet小波變換與SVD的故障特征提取[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2014， 42(7)：55-61．

[11] FREI M G， OSORIO I. Intrinsic time-scale decomposition: time-frequency-energy analysis and real-time filtering of non-stationary signals[J]. Proceedings of the Royal Society of London A， 2006， 2078(463): 321-342．

[12] 吳小濤， 楊 錳， 袁曉輝， 等. 基于峭度準(zhǔn)則EEMD及改進(jìn)形態(tài)濾波方法的軸承故障診斷[J].振動(dòng)與沖擊， 2015， 34(2)：38-44．

[13] 趙學(xué)智， 葉邦彥， 陳統(tǒng)堅(jiān). 矩陣構(gòu)造對(duì)奇異值分解信號(hào)處理效果的影響[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2008， 36(9)：86-93．

[14] 雷亞國(guó). 基于改進(jìn)Hilbert-Huang變換的機(jī)械故障診斷[J].機(jī)械工程學(xué)報(bào)， 2011， 47(5)：71-77．

[15] CHANDRAKAR K. A new approach to detect congestive heart failure using Teager energy nonlinear scatter plot of R-R interval series[J]. Medical Engineering & Physics， 2012， 34(7): 841-848．

[16] Case Western Reserve University Bearing data center. Bearing data center fault test data[EB/OL]. http://www.eecs.case.edu/laboratory/bearing．

A study on fault diagnosis method based on ITD and SVD

QI Peng1，2， FAN Yugang1，2， FENG Zao1，2

(1.Faculty of Information Engineering and Automation， Kunming University of Science and Technology， Kunming 650500;2.Engineering Research Center for Mineral Pipeline Transportation, Kunming 650500)

How to extract fault characteristics from the vibration signals with noise is a key problem to the bearing fault diagnosis. A novel method based on Intrinsic Time-scale Decomposition(ITD) and Sensitive Singular Value Decomposition(SSVD) was proposed in this paper aiming to solve the above problem. Firstly, ITD was used to pre-process the signals in the time domain, so that the Proper Rotation(PR) components which included sensitive fault information are able to be selected according to the kurtosis criterion, which were then used for vibration signal reconstruction in order to highlight the local characteristics of vibration signals; secondly, SSVD was applied to the time-frequency signals to remove noise and extract the weak fault information by using the sensitive factor and the positioning factor; finally, the instantaneous energy of the fault information was calculated by using Teager-Kaiser Energy Operator(TKEO), and the spectrum analysis was performed to obtain the fault characteristic frequency, which would be used to identify the type of fault. The experiment results demonstrated the effectiveness of this method of rolling bearing fault diagnosis.

intrinsic time-scale decomposition; sensitive singular value decomposition; kurtosis criterion; sensitive factor; positioning factor; teager-kaiser energy operator

2016-06-21.

國(guó)家自然科學(xué)基金資助項(xiàng)目(61563024;51169007)；云南省科技計(jì)劃項(xiàng)目(2012CA022;2013DH034)；云南省中青年學(xué)術(shù)和技術(shù)帶頭人后備人才培養(yǎng)計(jì)劃項(xiàng)目(2011CI017).

1000-1190(2016)06-0818-08

TH165+.3

A

*E-mail: qipeng91@foxmail.com.