基于改进EEMD与MED的滚动轴承故障声发射特征提取方法

技术领域

本发明具体涉及一种基于改进EEMD与MED的滚动轴承故障声发射特征提取方法。

背景技术

随着科学技术的不断发展，旋转机械在工业各个领域中的应用日渐广泛。然而，由于旋转机械长期的运转，旋转机械极其容易造成不同程度的损害，产生各种故障类型。当故障达到一定的程度，如果不能及时发现并加以维修，可能会造成不必要的停机，不但影响企业的经济效益，而且会引发安全事故。因此，为了更好的判定旋转机械的故障类型，进一步提高故障诊断的可靠性、准确性就显得十分迫切。

目前轴承故障诊断检测技术主要集中于温度检测法、振动检测法以及油液检测法。由于温度检测法在轴承发生点蚀、剥落和轻微磨损等早期故障发生时温升现象不明显，且在整个故障发展过程中，轴承温度变化具有一定的滞后性，故其不适合进行在线的动态监测；振动检测法由于受频响、灵敏度、定量损伤评估、传感器安装方位以及抗干扰能力的限制，早期轴承故障诊断的准确性、可靠性较低，不适合早期状态诊断；油液检测法对故障的灵敏度也较低，且在进行轴承故障诊断过程中需要对轴承的润滑油进行采样，故其也不适合在线动态检测。

传统声发射技术在旋转机械故障诊断方面都是采用基于声发射撞击数据分析的方法，这种方法的主要问题是无法像振动分析方法一样计算识别轴承的四个故障特征频率，难以可靠地确认有无故障及故障部件，亦无法对故障状态进行有效判别。为此，基于声发射撞击的技术方法在工业应用中远少于振动分析方法。

经验模态分解(Empirical Mode Decomposition，EMD)是一种完全基于数据驱动的非平稳信号自适应分解方法，能将信号从高频到低频分解成有限个具有物理意义的本征模态函数(IntrinsicFunction，IMF)和余项之和，在机械故障检测领域中应用广泛。但EMD存在严重模态混叠。集合经验模态分解 EEMD(Ensemble Empirical Mode Decomposition)分解是将高斯白噪声加入待处理信号，从而提供足够多的极值点用以平滑异常事件，多次EMD分解得到IMF分量做整体平均以克服模态混叠，因而在机械故障诊断领域应用广泛，但EEMD分解得到的一系列IMF数量不可控，而冲击故障特征往往仅包含于一个或部分IMF中，其它的分量可视为噪声或干扰信号。因此，如何从EEMD分解得到的多个IMF中选取能反映冲击故障的特征分量，成为 EEMD方法在机械故障诊断中应用的重要难点。

基于上述原因，给出了EEMD敏感IMF的选取准则，进而提出了基于敏感IMF和归一化指标寻优的改进EEMD去噪方法，然后提出了改进EEMD 去噪与MED滤波相结合的滚动轴承早期微弱故障检测。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于改进EEMD与 MED的滚动轴承故障声发射特征提取方法，该基于改进EEMD与MED的滚动轴承故障声发射特征提取方法可以很好地解决上述问题。

为达到上述要求，本发明采取的技术方案是：提供一种基于改进EEMD与 MED的滚动轴承故障声发射特征提取方法，该基于改进EEMD与MED的滚动轴承故障声发射特征提取方法包括如下步骤：

S1：进行基于敏感imf与归一化指标寻优的EEMD去噪，并得到去噪信号；

S2：进行MED滤波，并得到冲击成分较强信号；

S3：进行谱分析并得出故障特征。

该基于改进EEMD与MED的滚动轴承故障声发射特征提取方法具有的优点如下：

(1)本发明利用声发射信号技术来进行旋转机械设备监测与故障诊断，在早期故障诊断的灵敏性、诊断效率、诊断可靠性等方面都有较大的改进。

(2)与其他无损检测技术相比，声发射法是一种动态的检测方法，其传感器频率范围一般都在100KHz以上，远大于设备运行所产生的音频噪声与振动噪声。因此，声发射技术更不易受噪声的干扰，具有更好的抗噪性，更适于提高故障诊断的可靠性。

(3)检测到的信号来自被测试物体本身的缺陷相对运动冲击产生的弹性波，可提供早期故障缺陷随载荷、时间和温度等变化的实时信息，检测灵敏度很高，可以检测振幅为10-14m的弹性波。

(4)与传统的基于撞击的声发射技术相比，可以通过波形流频域分析计算出轴承故障特征频率，从而确定故障部件，极大降低了误报情况的发生。

(5)将改进EEMD方法和MED方法引入AE轴承故障诊断中，验证了该方法对轴承早期强噪声微弱故障信号分析的有效性及优越性，而且是对撞击信号分析结果的近一步补充与验证。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，在这些附图中使用相同的参考标号来表示相同或相似的部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示意性地示出了根据本申请一个实施例的基于改进EEMD与MED 的滚动轴承故障声发射特征提取方法的流程示意图。

图2示意性地示出了根据本申请一个实施例的基于改进EEMD与MED 的滚动轴承故障声发射特征提取方法中的EEMD分解图。

图3示意性地示出了根据本申请一个实施例的基于改进EEMD与MED 的滚动轴承故障声发射特征提取方法中改进EEMD诊断流程示意图。

图4示意性地示出了根据本申请一个实施例的基于改进EEMD与MED 的滚动轴承故障声发射特征提取方法中早期故障轴承AE原始波形及频谱示意图。

图5示意性地示出了根据本申请一个实施例的基于改进EEMD与MED 的滚动轴承故障声发射特征提取方法中改进EEMD滤波后原始波形及频谱示意图。

图6示意性地示出了根据本申请一个实施例的基于改进EEMD与MED 的滚动轴承故障声发射特征提取方法中进一步MED滤波后信号波形及频谱示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，以下结合附图及具体实施例，对本申请作进一步地详细说明。

在以下描述中，对“一个实施例”、“实施例”、“一个示例”、“示例”等等的引用表明如此描述的实施例或示例可以包括特定特征、结构、特性、性质、元素或限度，但并非每个实施例或示例都必然包括特定特征、结构、特性、性质、元素或限度。另外，重复使用短语“根据本申请的一个实施例”虽然有可能是指代相同实施例，但并非必然指代相同的实施例。

为简单起见，以下描述中省略了本领域技术人员公知的某些技术特征。

根据本申请的一个实施例，提供一种基于改进EEMD与MED的滚动轴承故障声发射特征提取方法，如下步骤：

S1：进行基于敏感imf与归一化指标寻优的EEMD去噪，并得到去噪信号；

S2：进行MED滤波，并得到冲击成分较强信号；

S3：进行谱分析并得出故障特征。

根据本申请的一个实施例，该基于改进EEMD与MED的滚动轴承故障声发射特征提取方法具体说明如下：

1、声发射波形信号采集声发射有两种基本模式，一是突发信号模式。该模式具有瞬时突然出现并迅速达到最大值，然后快速衰减下降的特征。对这一类信号的分析处理是采用对每一个突发的脉冲或称之为撞击的信号进行特征参数提取，通过对所提取的十几种参数进行分析来判别被监测结构或过程的状态。声发射的另一种信号模式是连续型声发射。顾名思义波形就是连续不断流动的波形。由于声发射信号频率范围通常在几十至几百千赫范围，相当于波形流以极高的速度流动，数据采集往往需要1兆赫或以上的速率。因此，波形流意味着大量的数据流。在用声发射波形进行旋转设备故障诊断时，需不断截取一定长度的波形进行分析处理。这不仅要求数字化采样率不低于每秒 1兆数据采样点，而且要求每一段波形或数据流达到一定的长度。所截取的波形流长度由旋转设备的最低使用转速或感兴趣的转速决定，当最低使用转速为n RPM时，每一段波形流的截取长度需满足t≥5T,其中T为每一转的周期，有T ＝60/n。由于波形流数据有较高的频率，又有足够的长度，因此，波形流数据包含了丰富的从数赫兹低频到数百千赫兹高频成分的信息。

2、轴承故障诊断基础

轴承一般由内圈、外圈、滚动体和保持架组成。轴承的各个部分都有各自的特征频率，而特征频率有部件本身和速度有关，具体公式如下：

外圈：

内圈：

滚动体：

保持架：

其中α表示滚动体与内外圈的接触角；D表示轴承节圆直径；d表示滚动体直径；Z表示滚动体数；n表示轴承每分钟转速，即RPM。

本专利主要是利用AE波形信号进行频谱分析可以识别故障的特征频率并用于判断轴承故障部件位置，轴承包括内圈、外圈、滚动体、保持架，相同时速下各部件对应的特征频率各不相同，由此可以判断出具体轴承故障部件。

3.改进EEMD分解方法

EEMD分解是利用高斯白噪声具有频率均匀分布的特性，每次给EMD分解信号加入均值为零且幅值有限的不同高斯白噪声，使得信号在整个频带内的极值点间隔分布均匀，解决了不均匀极值间隔导致的极值点上、下包络线拟合误差较大的问题。然后对多次EMD分解得到的IMF进行总体平均计算以抵消所添加的噪声，从而获得一组消除了模态混淆现象的IMF。

EEMD分解出的IMF分量个数是不确定的，信号不同则分解个数也会有所变化，是其自适应性决定的。如何从一系列IMF中选取对轴承故障敏感的IMF，是保证EEMD滤波效果的关键，本发明专利选用信噪比(Signal to Noise Ratio, SNR)、标准差(StandardError,SE)、相关系数(CorrelationCoefficient,R)以及峭度(Kurtosis,K)等特征来衡量去噪效果，并进行归一化设置。构建了敏感IMF 个数约束方程：

当信号和噪声同时存在于同一IMF分量时，传统基于EMD或EEMD的高通滤波器将全部保留，或者全部滤掉该IMF分量，去噪效果不佳。针对信号和噪声共存同一IMF分量的情况，利用归一化的评价指标，循环分解重构信号的方式实现EEMD去噪精度的提高。通过每次EEMD分解时选取敏感IMF来重构信号，并通过归一化的评价指标来衡量重构信号去噪效果，再以归一化指标全局最优点为去噪迭代终止条件，以实现轴承故障信号自适应去噪，如图3所示。

击信号y(n):

式中，x(n)为故障冲击信号，h(i)为系统的传递函数，s(n)为噪声干扰。

由于环境噪声及传输路径的影响，x(n)向y(n)的卷积计算过程中，信号的信息熵值会变大。而MED方法的目标是寻求一个逆滤波器w(l)，通过将逆滤波器w(n)与振动信号y(n)进行卷积计算，得到最小熵的解卷积信号，其计算过程如下式：

式中，l为解卷积滤波器长度。

设

为获得最优的解卷积滤波器w(n)，要求目标函数

由式(7)对其两边取导数可得：

将式(10)带入式(8)则有：

式(11)可视为b＝Aw。其中行矢量b可以通过输入与输出信号的互相关系数求解，矩阵A是一个L×L的Toeplitz矩阵，由输入信号的自相关系数求解，由此可以计算得到长度为L的最优解卷积滤波器w(l)

w＝A

通过MED方法可以进一步减弱环境噪声及传输路径的影响，锐化轴承故障冲击。

以上所述实施例仅表示本发明的几种实施方式，其描述较为具体和详细，但并不能理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明保护范围。因此本发明的保护范围应该以所述权利要求为准。