基于MED和LMD的滚动轴承微弱故障信号提取研究

王志坚++吴文轩++张纪平

摘 要：本文提出了一种基于最小熵反褶积（Minimum Entropy Deconvolution）和局部均值分解（Local Mean Decomposition）方法的滚动轴承故障特征提取方法。通过实际验证成功提取了故障信号。

关键词：强噪声背景；齿轮箱；最小熵反褶积；局部均值分解；故障诊断

DOI：10.16640/j.cnki.37-1222/t.2017.15.020

0 引言

在旋转机械中，轴承是必不可少的一部分，而轴承的磨损也是在所难免的，轴承磨损的初期信号较微弱，很难在强噪声的背景下被人们察觉，不采取相应的措施就会导致轴承故障，影响到整体的工作甚至导致重大的事故，造成经济损失和人员伤亡，因此对轴承早期故障信号的提取显得十分重要。

由于轴承的故障信号多为非平稳信号，所以利用时频分析法可以在采集信号的时、频域内对信号进行分析。传统的时频分析法有：短时傅里叶变换，小波变换等，但都有缺乏自适应性等缺点。而现代时频分析方法如EMD（经验模态分解 Empirical Mode Decomposition）具有自适应性，能够基于信号本身尺度进行分解，但存在模态混叠、端点效应等问题有待解决。

2005年，Smith Jonathan提出了一种时频分析法：LMD（局部均值分解 Local Mean Decomposition），LMD方法可以自适应的将采集到的故障信号按频率从高到低分为若干PF分量（Product Function），PF分量由一个包络信号和一个纯调频信号相乘而得，把其中所有的瞬时幅值、频率相结合就可以得到完整的时频分布[1]。

但是LMD方法也有自身的缺点，例如噪声对分解过程影响较大，所以在强噪声背景下使用LMD方法就会造成失真，针对以上情况，以LMD方法为基础，提出了一种MED与LMD方法相结合的故障信号提取方法。

1 方法概述

1.1 MED方法

作为一种自适应方法，MED最早是由Wiggins提出用于检测地震信号的方法，2007年被Sawalhi用于滚动轴承的故障诊断中，最终目的是提高信噪比，其优点在于降噪能力强，但其输出结果突出的是少数幅值较高脉冲，若有幅值不同的故障信号混合在一起，MED只能突出幅值较高的信号，较低的则无法识别。

1.2 LMD方法

由于实际采集的原始信号中含有不同的频率成分，所以属于多分量信号，LMD方法把多分量信号分解为若干单分量信号（PF分量），然后整合到一起就可以得到原始信号的时频分布。

2 实测信号分析

文章采用的是Case Western Reserve University（美国凯斯西储大学）故障轴承数据进行分析[2]，其中转速为1750r/min，采样频率为12000Hz，转动轴基频约为29.1Hz，计算后的内圈故障频率约为157.9Hz，本文从采集到的数据中选取10240个点进行分析研究。

原始故障信号的所有PF分量可以得到原始信号的波形比较杂乱，虽然从内圈故障频率157.9Hz处左右有明显峰值，但在190Hz和290Hz处峰值较高，难以辨别是噪声还是故障频率，故无法得到有用的频率信息。

经过降噪处理后的信号降噪与之前的信号相比，噪声得到了削弱，同时可以看出有周期性的故障信息。

在频率值为158.1Hz处有明显的峰值，与计算出的滚动轴承内圈故障频率157.9Hz差距很小，属于正常的误差范围，可以认定158.1Hz就是轴承的内圈故障频率特征，同时在158.1Hz的近似二倍频率316.2Hz处也有明显的峰值，因此可以认为提取出了内圈的故障信息。同时，在频率值为29.2和58.4Hz处也有明显峰值，这与转轴基频和其二倍频率58.2误差很小。

以上数据表明，本文成功的提取了滚动轴承的内圈故障信息，由此证明了提出的方法具有可行性。

3 结论

（1）最小熵反褶积（Minimum Entropy Deconvolution，MED）对强噪声背景下的故障信號有较强的降噪能力，但其只能突出较高的幅值信息，无法得到周期性故障信息。

（2）局部均值分解（Local Mean Decomposition，LMD）对故障信号由较强的分解分析能力，但是在强噪声背景下就会失真，发生模态混叠等现象，难以得到有效的故障信息。

（3）本文提出的MED与LMD相结合的方法，先使用MED对强噪声背景下的故障信号进行降噪，然后使用LMD对降噪后的信号进行分解，在利用仿真信号验证了方法的可行性后，成功提取了轴承的微弱故障特征。为微弱故障特征的提取提供了一种新的研究思路。

参考文献：

[1]Huo L.Introduce the Quantitative Identification Method of Rolling Bearing in the Application of Fault Detection[J]. Applied Mechanics & Materials，2015（742）：147-149.

[2]Case Western Reserve University.Case western reserve university bear-ing data center website[EB/OL].2011，05（03）.http：//www.eecs.case.edu/ laboratory/bearing/.

作者简介：王志坚，男，博士，研究方向：制造过程与故障诊断。