基于變分模態(tài)分解的離心泵滾動(dòng)軸承故障診斷

樂(lè)增孟，溫焱明，楊來(lái)志

（中山嘉明電力有限公司，廣東中山 528403）

0 引言

在機(jī)械傳動(dòng)系統(tǒng)中，離心泵滾動(dòng)軸承最主要的部件，其故障也是系統(tǒng)故障的主要原因之一。當(dāng)離心泵滾動(dòng)軸承產(chǎn)生故障時(shí)，從其自身的加速度、速度或位移等物理量中，可以監(jiān)測(cè)提取到許多運(yùn)行狀態(tài)數(shù)據(jù)，這些數(shù)據(jù)具有多振蕩性和多變性特征。尤其是故障剛發(fā)生時(shí)，因?yàn)閭鬟f出的物理量微弱，導(dǎo)致初始故障表征微小，以及設(shè)備、環(huán)境等原因，難以對(duì)初始故障物理量進(jìn)行采集和分析。但當(dāng)離心泵滾動(dòng)軸承產(chǎn)生運(yùn)行故障時(shí)，由于故障物理量的調(diào)幅特性，可以通過(guò)數(shù)據(jù)包絡(luò)線分析得到離心泵運(yùn)行故障的特征頻率。

為實(shí)現(xiàn)離心泵滾動(dòng)軸承的故障的精準(zhǔn)判斷，利用變分模態(tài)分解方法提取離心泵滾動(dòng)軸承的故障物理量，并進(jìn)行診斷：①先利用變分模態(tài)分解，對(duì)離心泵滾動(dòng)軸承初始故障物理量進(jìn)行剖析；②利用信息熵最小值的原理完善故障物理量，對(duì)離心泵滾動(dòng)軸承故障的特征頻率進(jìn)行提取。經(jīng)由試驗(yàn)數(shù)據(jù)分析，證明其可以更精確地采集判斷離心泵滾動(dòng)軸承初始故障物理量的微弱特征，可以對(duì)離心泵滾動(dòng)軸承故障進(jìn)行更精確的診斷。

1 基于變分模態(tài)分解的離心泵滾動(dòng)軸承故障技術(shù)研究

1.1 變分模態(tài)分解算法

變分模態(tài)分解（Variational Mode Decomposition，VMD）是一種基于維納濾波的自適應(yīng)物理量處理新方法。通過(guò)變模態(tài)分解的方法，可以從未經(jīng)開(kāi)發(fā)的物理量中提取故障明顯物理量，從而提取弱故障表征物理量。故障判斷方法流程如圖1 所示。

（1）優(yōu)化模態(tài)數(shù)K 的數(shù)量。重置模態(tài)數(shù)K 的數(shù)量，K=2，默認(rèn)松弛變量α 和帶寬τ，設(shè)置為初始值：α=200，τ=0。對(duì)原始物理量進(jìn)行分解，如加速度、速度或位移，并計(jì)算每個(gè)模式的信息熵，以確定信息熵是否為最小值。若信息熵為最小值，則確定模態(tài)數(shù)K 數(shù)量，K=K；如果不是，設(shè)置K=K+1，重復(fù)上述步驟，直到所獲取的信息熵為最小值，則停止上述步驟，直到選擇出最合適的K。本研究所選取的K 的取值區(qū)域?yàn)椋?，16］，長(zhǎng)度為1。

（2）對(duì)松弛變量α 進(jìn)行優(yōu)化。設(shè)置α 的取值區(qū)域?yàn)椋?00，1000］，長(zhǎng)度為20。

（3）對(duì)未經(jīng)開(kāi)發(fā)的加速度、速度或位移等物理量進(jìn)行基于上述優(yōu)化［K，α］的分解，得到相應(yīng)的IMF（Intrinsic Mode Functions，內(nèi)涵模態(tài)）分量，并且可獲得熵最小值所在的IMF分量。

（4）對(duì)選取的IMF分量進(jìn)行包絡(luò)線分析，將離心泵軸承故障的理論特征頻率測(cè)試譜進(jìn)行比較，確定離心泵軸承的工作狀態(tài)。

1.2 物理量仿真分析

為驗(yàn)證提出方法的有效性，本文對(duì)離心泵軸承內(nèi)環(huán)故障的模擬物理量進(jìn)行解析：①對(duì)信息熵的參數(shù)進(jìn)行優(yōu)化，并利用變模態(tài)分解，分解成一定數(shù)量的模態(tài)；②使用信息熵的最小值來(lái)選擇靈敏度IMF。

fs代表頻率，fn代表結(jié)構(gòu)共振頻率，fi代表內(nèi)環(huán)故障頻率，fr代表旋轉(zhuǎn)頻率，B 代表阻尼比。設(shè)置優(yōu)化方法所取得樣品的fs=13 000 Hz，所采集的fn=4000 Hz，所采集fi=80 Hz，所采集fr=38 Hz，所采集的B=600。為確保所設(shè)計(jì)的計(jì)算方法是有效的，增加了一個(gè)信噪比為-6 db 的無(wú)規(guī)則噪聲影響。

在模擬物理量的時(shí)域時(shí)，發(fā)現(xiàn)內(nèi)圈故障時(shí)域波形隨時(shí)間變化不大，然而內(nèi)圈故障測(cè)試譜會(huì)隨著時(shí)間的增加而逐漸降低，導(dǎo)致所采集噪聲影響下的沖擊特征不明顯。這種情況下雖然可以采集故障特征，但所有故障都被噪聲所充斥，為了提高物理量的信噪比，需要對(duì)噪聲進(jìn)行處理。

1.3 外圈故障VMD 參數(shù)優(yōu)化

因?yàn)槭艿皆肼暤钠茐?，未處理的物理量的?shù)值會(huì)受到十分明顯的干擾，所以用VMD 分解對(duì)物理量進(jìn)行解析，重置K=2，并定義為取值間隔［2，16］。利用最小信息熵原理對(duì)模態(tài)數(shù)K 進(jìn)行優(yōu)化，通過(guò)解析后，可以得到最小熵。當(dāng)?shù)玫阶钚§貫椋?，558）時(shí)，設(shè)置模態(tài)數(shù)K=10。如圖2 所示，為模態(tài)數(shù)和熵峰度最大值的關(guān)系。

圖2 模態(tài)數(shù)K 與熵峰度最大值的關(guān)系

圖3 為松弛變量α 與峰度最大值的關(guān)系，取定K=10，優(yōu)化松弛變量α。當(dāng)α=650 時(shí)，熵的最小值設(shè)置為0.552 9。于是，設(shè)置最優(yōu)參數(shù)區(qū)域?yàn)椋?0，650］。

圖3 松弛變量α 與熵峰度最大值的關(guān)系

基于上述診斷與仿真，采集到故障的離心泵滾動(dòng)軸承特定頻率，經(jīng)過(guò)去噪并提取包絡(luò)，發(fā)現(xiàn)故障的典型信號(hào)，實(shí)現(xiàn)對(duì)故障的診斷與定位。

2 試驗(yàn)驗(yàn)證及分析

2.1 外圈故障分析

為了驗(yàn)證設(shè)計(jì)的基于變分模態(tài)分解的離心泵滾動(dòng)軸承故障診斷技術(shù)是否有效，需要利用實(shí)際數(shù)據(jù)進(jìn)行具體分析。本文試驗(yàn)使用的離心泵滾動(dòng)軸承型號(hào)為6205RS JEM SKF，樣品頻率fs為12 000 Hz。所測(cè)試出的時(shí)域波形和經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）的檢測(cè)頻率：工作軸轉(zhuǎn)頻29.95 Hz，外圈故障頻率109.83 Hz。可以得到，計(jì)算后的離心泵滾動(dòng)軸承轉(zhuǎn)頻fr和外圈故障狀態(tài)下故障特征頻率fo數(shù)值差異明顯。

分別觀察離心泵外環(huán)故障數(shù)據(jù)初始物理量的時(shí)域波形和試驗(yàn)譜，可以發(fā)現(xiàn)IMF2 時(shí)域波形隨時(shí)間變化不明顯，但EMD分解的IMF2 測(cè)試譜可以看出隨著時(shí)間的流逝而逐漸減弱。這是因?yàn)樵肼暤拇嬖?，無(wú)法從時(shí)域圖中清楚提取出影響特征。而在測(cè)試光譜中，雖然可以提取故障的特征頻率，但故障的特征頻率會(huì)受到噪聲的強(qiáng)烈影響，從而導(dǎo)致無(wú)法對(duì)數(shù)據(jù)進(jìn)行區(qū)分的問(wèn)題。

2.2 VMD 參數(shù)優(yōu)化

利用本文設(shè)計(jì)的方法對(duì)離心泵滾動(dòng)軸承外圈故障物理量進(jìn)行計(jì)算解析。首先對(duì)模態(tài)數(shù)K 進(jìn)行優(yōu)化，如圖4 所示，是模態(tài)數(shù)K 與熵最小值的關(guān)系。通過(guò)數(shù)據(jù)分析，當(dāng)K=15 時(shí)，取得熵的最小值為0.519 5，所以取模態(tài)數(shù)為K=15。

圖4 模態(tài)數(shù)K 與熵最小值的關(guān)系

給定K=15，對(duì)松弛變量α 進(jìn)行優(yōu)化。通過(guò)數(shù)據(jù)分析可以得出，當(dāng)α=1950 時(shí)，具有熵最小值0.514 9。如圖5 所示，為α 與熵最小值的關(guān)系。通過(guò)分析，可得最佳數(shù)據(jù)區(qū)域?yàn)椋?5，1950］。

圖5 松弛變量α 與熵最小值的關(guān)系

對(duì)外圈故障物理量進(jìn)行VMD 分解，可得各個(gè)IMF 的信息熵：IMF11 熵0.699 5，IMF12 熵0.665 5，IMF13 熵0.514 9，IMF14 熵0.728 7。IMF13 的信息熵具有最小值，因此選取IMF13 進(jìn)行測(cè)試譜分析。

對(duì)IMF13 的故障測(cè)試數(shù)據(jù)進(jìn)行分析后，優(yōu)化后的技術(shù)測(cè)試能夠十分簡(jiǎn)便地提取出外圈故障的故障特征頻率fo及其旋轉(zhuǎn)頻率fr。通過(guò)對(duì)所提取的數(shù)據(jù)進(jìn)行分析，可以對(duì)離心泵滾動(dòng)軸承外圈故障進(jìn)行準(zhǔn)確診斷。

2.3 內(nèi)圈故障分析

為了對(duì)比優(yōu)化后的方法是否適用，需要對(duì)離心泵滾動(dòng)軸承內(nèi)圈故障數(shù)據(jù)進(jìn)行分析。對(duì)多個(gè)數(shù)據(jù)點(diǎn)進(jìn)行提取解析后得出，因?yàn)槌跏极@取的物理量所含噪聲量較小，在測(cè)試中加入噪聲影響，信噪比值為-1 dB，以實(shí)現(xiàn)測(cè)試的公平性和可比性。通過(guò)計(jì)算得出，轉(zhuǎn)動(dòng)頻率值為fr=28.83 Hz，故障特征頻率值為fi=155.7 Hz。

根據(jù)所測(cè)得的數(shù)據(jù)，可以看出內(nèi)圈故障時(shí)域波形隨著時(shí)間的流逝不發(fā)生明顯的變化，外圈故障測(cè)試譜也呈現(xiàn)出穩(wěn)定前進(jìn)的趨勢(shì)。由于噪聲的影響，時(shí)域波形不能提取沖擊特性；雖然測(cè)試譜可以得出旋轉(zhuǎn)和故障的特征頻率，但通過(guò)分析數(shù)據(jù)可以看出，由于噪聲的影響所獲得的結(jié)果并不理想。

2.4 內(nèi)圈故障VMD 參數(shù)優(yōu)化

經(jīng)過(guò)分析可得到，當(dāng)K=9 時(shí)，可以獲得熵的最小值為0.627 0。于是，選取K=9 作為最優(yōu)模態(tài)數(shù)。

傳統(tǒng)方法用于處理噪聲增大的內(nèi)環(huán)故障數(shù)據(jù)。分解后獲得了13 個(gè)IMF 分量，計(jì)算每個(gè)分量IMF 的熵值。計(jì)算結(jié)果表明，IMF2 信息熵最小，因此對(duì)其試驗(yàn)譜選擇了所涉及的破壞分析。無(wú)論是內(nèi)環(huán)故障的特征頻率，還是其旋轉(zhuǎn)頻率，都不能從測(cè)試光譜中提取出來(lái)。而且通過(guò)數(shù)據(jù)對(duì)比可以清楚地發(fā)現(xiàn)，運(yùn)用優(yōu)化后的技術(shù)效果明顯優(yōu)于傳統(tǒng)技術(shù)，也能夠十分準(zhǔn)確地對(duì)故障進(jìn)行提取診斷。所以，本文提出的方法比以往的方法更具有優(yōu)勢(shì)。

綜上所述，本文研究的基于變分模態(tài)分解的離心泵滾動(dòng)軸承故障診斷技術(shù)，可以對(duì)離心泵滾動(dòng)軸承初始故障物理量的微弱特征進(jìn)行更精確的采集判斷；對(duì)比傳統(tǒng)方法，可以更精確地診斷出離心泵滾動(dòng)軸承的故障。

3 結(jié)束語(yǔ)

離心泵滾動(dòng)軸承在故障發(fā)生的初期，其特征與信息相比往往較弱，因此很難對(duì)其進(jìn)行提取。而通過(guò)信息熵的變分模態(tài)分解方法可以很好地將噪聲影響降到最低，從故障物理量中提取微弱的故障特征信息。

通過(guò)對(duì)變分模態(tài)分解IMF 的多分量，應(yīng)選擇包含多種多樣的故障特征信息的有效IMF 問(wèn)題。將信息熵最小值的效果明顯的選取方法成功地應(yīng)用于模擬物理量和IMF 實(shí)際數(shù)據(jù)，并且所獲得的數(shù)據(jù)更優(yōu)于以往。

從上述分析可以看出，變分模態(tài)分解克服了傳統(tǒng)模態(tài)混合的缺陷，是一種有效的自適應(yīng)物理量處理方法。但其影響參數(shù)需要提前設(shè)定，確定其影響參數(shù)的搜索區(qū)域缺乏理論支撐。為保證其具有更精確的離心泵滾動(dòng)軸承故障診斷效果，還需要在這方面進(jìn)行進(jìn)一步的研究。