基于CEEMDAN与自适应阈值降噪的滚动轴承故障诊断_邱林江.pdf

第 卷第期 年月 收稿日期：基金项目：国家自然科学基金面上项目（）作者简介：邱林江（），男，江苏南通人，硕士研究生，研究方向为智能信息处理技术；花小朋（），男，江苏盐城人，博士，副教授，硕士研究生导师，研究方向为智能信息处理技术，通信作者。基于 与自适应阈值降噪的滚动轴承故障诊断邱林江，花小朋，徐森（盐城工学院信息工程学院，江苏 盐城 ）摘要：针对滚动轴承故障信息受到噪声污染而难以识别的问题，提出一种基于自适应噪声完备集合经验模态分解和自适应阈值降噪（）的滚动轴承故障诊断方法。首先对原始振动信号进行 分解；其次利用灰色关联分析法（）筛选出噪声主导和信号主导的分量；然后对噪声主导分量分别进行自适应阈值降噪（）处理，并与信号主导分量进行重构；最后通过分析重构信号的 能量谱实现滚动轴承故障的识别。采用凯斯西储大学轴承数据对所提方法进行验证，并与完全总体经验模态分解自适应阈值降噪（）和 小波阈值降噪（）种方法作比较，结果表明，所提方法表现出较好的自适应性和去噪效果，能够较好地服务于滚动轴承故障诊断。关键词：故障诊断；模态分解；灰色关联分析；自适应阈值；降噪中图分类号：文献标志码：文章编号：（），（，）：，（），（），（）（），：；（）引言滚动轴承由于受复杂的工作环境影响，很容易发生轴承故障。在对其进行检修过程中，捕获的轴承振动信号通常比较微弱且受大量噪声污染，若忽略噪声的干扰直接对其进行分析，则故障特征难以提取，进而导致后续的诊断效率较低。因此，需要采用合适的信号降噪方法，对其进行去噪。滚动轴承局部缺陷引起的振动信号通常会表现出非平稳行为。经验模态分解（，）能将非平稳信号自适应地分解成有限个具有平稳性质的本征模态函数（，），但分解过程中易出现模态混叠和虚假分量等问题。后续研究者们在 基础上提出了一系列改进方法，如集合经验模态分解（，）、完全集合经验模态分解（，）和自适应噪声完备集合经验模态分解（，）等。相 比 于 ，信号分解更完备，模态混叠抑制效果更好，重构误差和计算成本也大大降低。但直接运用 去噪，可能会因部分高频分量缺失而消除潜在的有效信息。文献 集合 与小波阈值法进行联合去噪，但小波基的选择和阈值参数的确定需要人为干预，缺乏自适应性，而且计算量过大。为了简化阈值操作，文献 提出一种自适 应 阈 值 降 噪（，）方法，该方法采用了基于准则的自适应阈值确定方法和峰值滤波技术，阈值选取自主性高且降噪效果明显。文献 集 与 方法进行联合去噪并应用于滚动轴承故障诊断，相比于基于小波阈值降噪（，）的方法，该方法在保证降噪效果的同时，自适应性更强。但基于近似熵和关联系数相结合的 分量筛选规则，涉及多个须人为干预的边界参数，缺乏自适应性且易造成有效信息的流失；再者，存在信号分解不完全和计算成本高的问题。基于以上分析，本文提出一种基于自适应噪声完备集合经验模态分解（）和自适应阈值降噪（）联合的滚动轴承故障诊断方法。降噪相关理论 自适应噪声完备集合经验模式分解自适应噪声完备集合经验模式分解通过添加自适应高斯白噪声来辅助信号的分解，有效避免 中因添加不同白噪声造成分解结果受噪声污染的问题，分解过程也更加完备，具有较高的运算效率。算法描述如下：向采集信号（）中添加高斯白噪声（），记（）（），则（）（）（）（）为噪声的幅值，为添加噪声的次数。对（）分别进行分解，取各自分解的第一阶 分量（），然后对其求平均值，得到 的第个 分量，残余信号为（）（）（）（）对（）继续进行加噪处理，执行步骤，得到第个 分量，残差为（）（）（）（）以此类推，当残差（）为单调函数时，迭代结束，最终原始信号为（）（）（）（）灰色关联分析灰色关联分析法（）对复杂数据序列间的关联度具有较好的分析能力，该方法旨在通过计算因子序列与目标序列之间的灰色关联度值来衡量序列之间的相关性，关联度值越高，关系越紧密，相关性越大。结合 算法，过程描述如下：输入 分解所得的 分量集，（）（），（），（），其 中表 示 分 量，（）表示第个 分量中的元素，。确定分析序列，代表目标序列，代表因子序列，。对（，）数据预处理，先求出中最小的元素并取绝对值，记为 （），其次中的每个元素加上该值，记为（）（）（）（）（）然后对（）求平均值，记为（）（），最后用（）（）除以该平均值，得到新的元素为（）（）（）（）（）（）（）计算与（，）之间的灰色关邱林江等：基于 与自适应阈值降噪的滚动轴承故障诊断机电一体化联系数（），即（）（）其中，（）（）（）（）；（）（）（）（）；（）（）（）；.。计算与（，）之间的灰色关联度，即（）（）自适应阈值降噪自适应阈值降噪（）通过确定的自适应阈值将信号中的噪声和有用信息有效分离，从而达到明显的降噪效果。该方法无参数引入且阈值选取自主性高，在复杂情况下具有较好适应性。结合 ，过程描述如下：计算噪声主导分量的标准差，即（）（）为的长度；为的平均值。删除中（）的元素，剩余的元素构成新的模式分量，。计算的标准差，即（）（）为的长度；为的平均值。计算中（）是否有大于的元素，若没有，则确定阈值，转步骤；若有，则删除相应元素，剩余元素构成新的，执行步骤。计算的局部极大值和极小值。并将极值取绝对值与确定的自适应阈值进行对比。若极值的绝对值小于阈值，则该极值设置为；反之，大于阈值，则保留该值，并返回中。循环步骤和步骤，当中没有极值被设置为时，获得最终降噪后的。基于 与自适应阈值降噪的滚动轴承故障诊断依据 分解过程较完备且运算效率高的优点，以及 去噪效果明显且自适应性强的特点，本文提出了一种基于 与自适应阈值降噪联合（）的滚动轴承故障诊断 方 法，流 程 如 图所 示，具 体 算 法 描 述如下：利用 将采集到的滚动轴承故障振动信号（）进行模态分解，生成个 分量。由于 分解后的 从高频到低频排列，高频往往含噪较多，故将分解后第个 分量作为目标序列，其他 分量（，）作为因子序列。然后，通过 计算出与（，）之间的灰色关联度，并求其平均值。选择灰色关联度值大于的 分量以及作为 噪 声 主 导 分 量，其 他 分 量 视 为 信 号 主 导分量。对噪声主导的分量进行自适应降噪。首先利用噪声主导分量确定自适应阈值，其次计算噪声分量的局部极大值和极小值的绝对值并与阈值进行比较，大于阈值则保留该值，小于阈值则将该值设置为，并返回噪声分量中。重复这一过程，直到没有值小于阈值时，降噪结束。并与信号主导的分量进行重构，获得重构信号（）。计算重构信号（）的 能量算子及 能量谱，实现滚动轴承故障的有效识别。图 流程实测信号分析为验证所提 方法对滚动轴承故障的诊断效果，选择凯斯西储大学的轴承实验数 据 进 行 实 验 分 析。选 择 、（该 方 法 是 在 方法基础上，用小波阈值降噪取代自适应阈值降噪）做比较对象。其中，方法中 （）近似熵阈值为，关联系数中噪声信号分量边界阈值为、信号无效分量边界阈值为 ；而在 方法中，小波基为 ，分解层数为，采用软阈值函数 进行去噪。实验轴承为 的深沟球轴承，其结构参数如表所示。利用电火花技术在轴承表面进行单点故障加工，故障直径为 ，故障深度为 。选用的轴承安装在电机转轴一侧，加速度传感器布置在轴承位置附近。实验设置电机转速为 ，负载为，采样频率为 ，采样时间长度为。通过理论计算得，内圈和外圈的转频为 ，故障特征频率分别为 ，。表滚动轴承结构参数节径滚动体直径滚动体数目个接触角（）内圈故障分析从内圈故障信号中随机选择连续的 个数据点作为测试集，其时域波形如图 所示。将测试集分别通过 、以及 方法进行降噪重构，重构信号的时域波形图分别如图、图 和图 所示。方法中，依据分类规则确定的 分解分量中，第个 分量为全噪声分量，第个 分量为噪声主导分量，第个 分量为信号主导分量，其余为无效分量；及 方法中，对 分解的 分量采用 分类（如表所示），确定噪声分量为，信号主导分量为。图图 分 别 给 出 种 方 法 重 构 信 号 的 的 能 量 谱。本 文 所 提 方法中能够更加清晰地看出转频和倍频、，故障频率和倍频、，以及较多故障频率附近的边频，特征频率丰富且峰度较突出，诊断时灵敏度较高。相比之下，如图所示的 方法显示的特征频率信息相对较少，这主要是因为该法在重构信号过程中剔除了部分 分量，从而造成部分有效特征信息的流失。如图所示的 方法显示的特征频率信息同样相对较少，而且噪声干扰较明显，这主要是因为该方法中相关参数阈值调控不当，造成降噪效果不突出，掩盖了部分特征信息。从以上实验结果分析不难看出，本文方法具有较好的滚动轴承故障诊断效果。图内圈测试集及重构信号的时域波形图 的 能量谱图 的 能量谱邱林江等：基于 与自适应阈值降噪的滚动轴承故障诊断机电一体化图 的 能量谱表内圈故障信号分解后灰色关联分析模式分量与的关联度模式分量与的关联度平均值.外圈故障分析为进一步验证本文方法在故障信号诊断时的通用性，对外圈故障信号进行实验分析。图 为外圈故障信号测试集的时域波形图，降噪后重构信号的时域波形图分别如图、图 和图 所 示。方 法 中，依 据 分 类 规 则 确 定 分解后的第个 分量为全噪声分量，第个 分量为噪声主导分量，第个 分量为信号主导分量，其余为无效分量；及 方法中，对 分解的 分量采用 分类（如表所示），确定噪声主导分量，信号主导分量为。图图 分 别 给 出 种 方 法 重 构 信 号 的 的 能 量 谱。不 难 看 出，本 文 所 提 出 的 方法可清楚地看到转频及其倍频、，故障频率及其倍频、，以及较多故障频率附近的边频，特征信息丰富且突出，有利于故障特征辨识和故障诊断。相比之下，图所示的 方法显示的特征频率信息相对较少，原因主要在于分量筛选参数阈值设置不当，造成部分蕴含有效特征信息分量的流失。如图所示的 方法显示的特征频率信息有所增加，但相较于本文方法依然存在差距，原因是小波参数选择不精准，导致去噪效果欠佳，掩盖了部分有效特征信息。整体上，实验结果与上述内圈故障情况基本类似，这也进一步验证了本文方法的有效性。图外圈测试集及重构信号的时域波形表外圈故障信号分解后灰色关联分析模式分量与的关联度模式分量与的关联度平均值.图 的 能量谱 （）图 的 能量谱图 的 能量谱结束语为了有效解决滚动轴承振动信号受噪声污染而难以识别故障的问题，将 分解法与自适应阈值降（）法相结合进行滚动轴承故障诊断分析。选取 、作为比较对象，结果表明，本文方法不仅具有较好的故障诊断效果，而且在 分量筛选及噪声主导分量去噪过 程 中 无 需 人 为 设 置 阈 值 参 数，自 主 性 高。分解法的引入使得信号分解更加完毕，同时降低了计算成本；但 分解过程中涉及的噪声幅度、噪声次数以及最大迭代次数仍需经验设置，在未来的研究中有待改进。参考文献：，：潘昕怡，岳建海基于参数优化的 的滚动轴承早期故障诊 断 噪 声 与 振 制，（）：，：，：王续鹏，孙虎儿基于改进 降噪的滚动轴承故障特征提取机械传动，（）：，：，（）：金妍 基于 和 样本熵的滚动轴承故障诊断制造技术与机床，（）：，：，（）：，：，（）：，：（）：，：别峰峰，张仕佳，裴俊峰，等基于小波阈值与 联合去噪的滚动轴承故障模式识别方法研究机械设计与制造，（）：，：，（）：，：，（）：蔡改贫，赵小涛，胡显能，等 小波阈值联合的球磨机筒体振动信号去噪方法研究 机械科学与技术，（）：杨超，赵荣珍，孙泽金基于 与 能量谱的滚动轴承微弱故障特征提取噪声与振动控制，（）：