基于改进经验小波变换的电机轴承故障检测方法探讨
发布时间:2024-03-26 17:07  

本文针对电机轴承振动信号故障特征难以提取以及分类准确率低等问题,提出了IEWT-MPE-AOA-SVM的电机轴承故障检测方法,对轴承振动信号进行分析和处理,实现了轴承故障检测。

1  绪论

1.2  国内外研究现状

1.2.1  轴承故障机理研究现状

滚动轴承的故障机理研究主要涉及轴承振动动力学模型、轴承振动的传递路径等方面。Antoni等人提出了用来模拟滚动轴承局部故障的振动模型,并对局部故障的频谱特征进行了解析推导[5]。Khanam等人通过实验验证了轴承故障引起的冲击力的大小和持续时间是轴承几何形状、载荷、速度和故障大小的函数[6]。Cui等人建立了带有外圈故障的轴承非线性动力学模型,其中考虑了滚珠的几何特性,并根据振动机理分析,对轴承故障严重程度进行了分类[7]。Bourdon等人在非平稳条件下的旋转系统动力学模型中引入角周期扰动,验证了可以通过瞬时角速度的频谱分析检测轴承故障[8]。Buzzoni等人建立了标准的轴承故障模型,用于在非平稳条件下生成轴承故障仿真信号[9]。Gao等人研究了轴承故障的双转子系统中突发脉冲振动的动力学现象、物理机制和发生条件,建立了双转子系统的运动方程[10]。Zhao等人提出了柔性薄壁椭圆轴承的速度分布模型,通过速度模型推导了柔性薄壁椭圆轴承的故障特征频率[11]。Niu等人研究了滚动轴承出现滚动体故障时的振动响应,建立了滚动体轴承故障的动力学模型[12]。Cao等人考虑了轴承故障引起的接触力变化,以Gupta模型为基础,建立了轴承局部故障的动态模型,对单点故障、多点故障和复合故障轴承的振动响应进行仿真分析[13]。Mufazzal等人基于多重冲击理论模拟健康和故障轴承在不同载荷和速度下的振动响应,研究了不同转速、负载、故障大小和位置等因素对轴承振动响应的影响[14]。

3  基于改进经验小波变换的故障特征提取方法研究

3.1  经验小波变换

经验小波变换方法是一种基于小波理论的自适应信号分解方法,首先对信号频谱进行分割,确定频带的边界及个数,然后建立一组合适的小波滤波器组对信号进行分解。然而,当经验小波变换分析轴承故障振动信号时,经常会发生频谱划分结果不合理,导致无法有效提取富含故障信息的共振频带。为了解决经验小波变换方法的频谱分割的缺陷,提高其提取轴承故障特征的能力,本章提出了改进的经验小波变换的方法。

EWT在信号分解中最关键的是对信号频谱的自适应划分,从而确定频谱上各频带边界的位置和数目。EWT确定边界的核心思路是以相邻极大值之间的极小值点作为边界的位置,这种方法能够根据信号的频域特性确定边界,但容易受到信号中的噪声干扰。对于受干扰的信号,其频谱中会出现额外的极大值,这使得频谱划分的过程受到影响,进而造成频谱划分结果的不合理,导致产生无效分量和模态混叠。EWT频带划分方式主要有两种分别为局部极大值极小值法和尺度空间法,采用两种方法对实测的轴承故障振动信号进行边界划分,局部极大值极小值法的最大频带数设置为9个。

5  电机轴承故障检测方法的试验研究

5.1  试验数据集

为验证本文提出方法在实际应用中的有效性,以美国凯斯西储大学(Case Western Reserve University)的轴承故障试验数据作为研究对象。试验台由电机、转轴、传感器和电子设备等组成,如图5.1所示。

5.2  基于IEWT的电机轴承故障特征提取方法试验验证

首先验证IEWT方法对实际信号的故障特征提取能力,采用IEWT对实际轴承故障信号进行特征提取,并与原始EWT算法和EMD算法进行对比。IEWT和EWT最大频带数均设为9个,三种方法通过基尼指数最大准则选取最优模态分量。振动信号选取位于风扇端的加速度传感器采集到的风扇端轴承故障数据,采样率为12kHz,电机负荷为1HP,电机转速为1772r/min。经计算得到外滚道故障特征频率of=90.17Hz、内滚道故障特征频率为if=146.10Hz、滚动体故障特征频率为bf=58.89Hz。

5.2.1  外滚道故障特征提取

采用轴承外滚道故障信号,数据编号为299,故障尺寸为0.1778mm,外滚道故障信号的时域波形及其频谱如图5.2所示。

结论

轴承作为电机的关键部件之一,其运行状态会直接影响整个机电设备的工作性能。由于轴承长期在恶劣的环境下运行,所以极易出现故障。本文针对电机轴承振动信号故障特征难以提取以及分类准确率低等问题,提出了IEWT-MPE-AOA-SVM的电机轴承故障检测方法,对轴承振动信号进行分析和处理,实现了轴承故障检测。主要的研究工作和取得的结果如下:

(1) 针对EWT频谱划分不合理,导致无法有效提取轴承故障特征的问题,提出了改进经验小波变换方法。改进经验小波变换首先采用平滑最大值滤波器确定各个小波分量的中心频率,然后以基尼指数最大为准则确定小波分量的滤波带宽,选择基尼指数最大的小波分量,进行包络分析,提取轴承故障特征。仿真信号表明,IEWT不仅能有效识别出电机轴承的故障特征频率及其倍频,而且性能优于EWT方法和EMD方法。

(2) 针对轴承故障识别准确率低的问题,提出了MPE-AOA-SVM的故障识别方法。该方法首先采用MPE提取特征向量,将特征向量随机分为训练样本和测试样本,利用训练样本对AOA-SVM进行训练,通过训练好的AOA-SVM对测试样本进行故障类型和故障程度的识别分类。

(3) 基于美国西储大学电机轴承故障振动信号试验数据,采用IEWT方法对外滚道、内滚道及滚动体三种故障类型信号进行特征提取,IEWT均能有效提取轴承故障特征频率及其倍频,并且性能优于EWT和EMD算法。在此基础上,采用IEWT-MPE-AOA-SVM模型相结合的故障检测方法对十种状态的轴承信号进行故障检测,并与其他分解方法和识别进行对比。本文提出的故障检测方法不仅能够准确、有效地提取故障特征,而且故障识别准确率更高。

参考文献(略)

(本文摘自网络)

打印此文 关闭窗口
很牛学术网 联系我们 文献下载器
返回顶部
扫一扫