基于自适应Autogram+OSF滤波的电机轴承故障诊断

秦亮亮

(江苏联合职业技术学院淮安生物工程分院,江苏淮安223200)

0 引言

轴承被广泛应用于电机设备的动力传输系统中,属于一类较易出现故障问题的部件[1、2]。当轴承中存在故障问题时,通常会在运行阶段形成一定的冲击载荷,由此形成具有非线性变化特征的非平稳信号[6],可以通过振动信号分析获得故障特征参数,由此完成信号的关键信息提取,由此实现故障诊断功能。包络解调已成为当前的一项广泛应用的故障诊断技术,采用该方法进行信号分析时难以确定最佳解调频带[6～8]。为克服以上问题,LEI[9]设计了一种优化谱峭度处理技术,能够有效消除强噪声引起的快速谱峭度变化,并通过小波包变换的方式精确测定含噪信号的瞬态数据,但采用该方法处理强非高斯噪声振动信号的时候较易出现失效的情况。

Autogram方法可以对初始信号非周期脉冲与噪声进行限制的方式测定周期性脉冲,从而抑制非周期分量引起的故障频率变化,从而获得更精确的最优频带。以Autogram方法分割频带时是以二叉树结构的方式进行,这使得计算最佳解调频带时会产生较大的误差[12]。根据以上分析,设计了一种自适应Autogram方法,可以通过顺序统计滤波(OSF)方法完成信号傅里叶谱的包络处理。

1 基于OSF滤波方法

进行频带划分的时候,可通过初始信号傅里叶谱特征来确定边界,确保具有明显冲击作用的分量位于所选频带内,防止最大冲击处成为边界。

从本质层面分析认为OSF包络法属于一个呈现良好鲁棒性的非线性滤波器,其中含有最大值、中值与最小值滤波器。相对插值包络方法需要耗费大量时间,OSF效率较高,可以高效去除脉冲噪声的干扰。此方法提供了具有可变控制功能的滑动窗口,经过窗口数据过滤后实现数据包络的处理过程。本研究采用最大值滤波器完成上包络的估计。

进行滤波处理时,先设置合适的窗口宽度,再确定窗口内最大参数,得到以下结果

U(n)=max(Wn)

(1)

式中,U(n)—OSF滤波所得结果;Wn—第n个窗口中的参数。

构建数组D={2,3,4,5,6,4,8,3,2,1,7},将默认窗口宽度设定在3。为了避免数据长度缩短,本次选择镜像延拓处理技术,将基点设置在初始数据左边与右边第1个数据处,设定扩展长度等于1,再对数据实施镜像延拓。得到数组A{3,2,3,4,5,6,4,8,3,2,1,7,1}。结合窗口宽度与式(1)从{3,2,3}中选择最大值3,再从{2,3,4}中选择最大值4以及从{3,4,5}中选择最大值5,按照同样方式类推处理构建新数组{3,4,5,6,6,8,8,8,3,7,7}。最终得到图1的滤波结果。

图1 OSF滤波过程

以移动平均法进行处理时应符合下述规则：(1)跨度应设置成奇数;(2)平滑数据点应位于跨度中心处;(3)对不能继续容纳任一侧相邻数据点,应对跨度适当调节;(4)跨度不能被正常定义时,将会形成不平滑的端点。

为验证移动平均法,控制跨度值等于5的条件下实施平滑处理。按照上述规则定义前4个元素依次为

ys(1)=y(1)

ys(2)=(y(1)+y(2)+y(3))/3

ys(3)=(y(1)+y(2)+y(3)+y(4)+y(5))/5

ys(4)=(y(2)+y(3)+y(4)+y(5)+y(6))/5

此外还需注意,ys(i)表示经过排序处理形成的数据顺序,可能与最初顺序存在一定差异。通过该方法处理图3的包络数组得到图2的测试结果。根据图2可以发现,完成平滑处理后观察不到一阶不可微点,能够避免OSF包络不继续分割的缺陷。

图2 移动平均平滑处理

图3 轴承模拟故障试验台

2 实验分析

2.1 信号分析

为验证诊断方法的可靠性,本实验以实际故障轴承作为诊断对象。图3给出了自制的轴承测试平台。本次选择的6206-2RS1SKF型轴承。通过线切割的方式完成轴承的加工过程。测试了轴承内圈存在0.4mm深度缺陷时的故障信号。测试期间设定载荷等于5kN,保持转速300r/min,以8150Hz频率实施采样。

利用方法处理信号进行傅里叶变化。之后通过分析频带信号来验证其准确性,获得图4的包络谱。根据图4可以发现,特征频率受到无关分量的影响较小,能够观察到明显的故障频率特征,由此可以判断采用自适应Autogram方法进行处理时具备良好可行性。

图4 实测信号傅里叶谱

2.2 对比分析

以滤波器组结构进行对比,实测信号滤波后包络谱图如图5所示。根据短时傅里叶转换方法构建快速谱峭度算法,再分析实测信号的变化特征。图6为包络谱测试结果,可以明显看到一倍频fi处形成了明显的故障特征,而其余倍频则淹没于周围分量中,不能实现精确诊断的效果。相对所提方法,对应的二倍与三倍频也没有形成明显特征频率,受到其他分量的显著干扰。

图5 实测信号滤波后包络谱(滤波器组结构)

图6 实测信号滤波后包络谱(短时傅里叶变换)

3 结语

本文开展基于自适应Autogram+OSF滤波的电机轴承故障诊断分析,取得如下有益结果：(1)采用自适应Autogram方法进行处理时具备良好可行性。采用本方法测试佳解调频带的效果比滤波器快速谱峭度方法的性能更优。(2)相比较滤波器组结构,以原Autogram分析频带信号,看到一倍频fi处产生了明显的故障特征。相对自适应Autogram方法并未形成明显的二倍与三倍频特征频率,产生了众多干扰分量。

本研究有助于提高电气的排出故障的能力,也可以实现网联控制,但在面对负载较大情况时容易出现计算冗长的问题,期待后续引入深度学习算法进行加强。