基于声压梯度和盲解卷积的滚动轴承故障诊断

郭明建，高伟

（1.广州汽车集团乘用车有限公司，广东 广州 510000；2.上海电气风电集团有限公司，上海 200241）

基于声压梯度和盲解卷积的滚动轴承故障诊断

郭明建1，高伟2

（1.广州汽车集团乘用车有限公司，广东 广州 510000；2.上海电气风电集团有限公司，上海 200241）

提出一种将滚动轴承声压梯度作为分析量的故障诊断方法。声压梯度比声压的衰减速度更快，受其他声源和环境噪声的影响比声压小，因而声压梯度的信噪比高。该方法对滚动轴承声压梯度进行盲解卷积得到分离分量，然后对各分量进行Hilbert包络谱分析识别轴承的故障特征。最后通过滚动轴承实验台实验验证该方法的优越性。

滚动轴承；声压梯度；盲解卷积；故障诊断

滚动轴承是旋转机械的重要部件，同时也是故障易发生的部位。当滚动轴承出现损伤时，将影响整个设备的安全稳定运行。当滚动轴承发生故障时，其声学特性也会发生改变，从而蕴含滚动轴承的故障信息，因此目前已有较多的基于声信号的故障诊断方法，张武军等提出了一种独立分量分析和自相关分析相结合的方法对齿轮进行故障分析，可以有效地提取在强噪背景噪声干扰下的齿轮故障特征。李常有等采用主分量分析对传声器测取的声信号进行了预处理，在此基础上应用基于Morlet小波变换的包络分析和频谱分析来提取滚动轴承故障特征向量。潘楠等人利用频域盲解卷积算法对复杂声场环境中的齿轮箱复合故障进行诊断，该方法通过形态滤波滤除非调制信号，利用改进复数固定点算法优选复独立分量，取得了良好的诊断效果，同时他又研究了欠定条件下的滚动轴承复合故障声学诊断问题。但是以上基于声信号的故障诊断方法都是采用声压量进行分析，而声压容易受到现场无关声源的干扰，导致测得的声压信号信噪比较低。实际上，在描述声场信息的参数中，声压梯度比声压的衰减速度更快，如果采用声压梯度作为分析量，其受到其他声源和环境噪声的影响比声压小，因此声压梯度比声压更具有优势。

在实际环境下，由于声信号在传播过程中的反射和延迟，传感器接收到的声信号是多种信号源的卷积混合，所以采用盲解卷积的方法对源信号进行分离和提取更为合适。目前盲解卷积主要分时域和频域算法，时域算法能获得较好的性能，但现有时域算法具有计算量大、复杂度高和收敛速度慢的缺点。而频域方法通过时频变换将时域中信号的卷积混合变换为频域中每个频率段上的瞬时混合，从而可以在每个频率段上直接运用成熟的瞬时混合盲分离算法。因此频域盲解卷积算法的研究和应用较多。但频域瞬时盲分离需要在频域克服幅度和排序不确定性问题。本文采用基于声压梯度的盲解卷积方法对滚动轴承故障特征进行识别，通过滚动轴承故障实验对该方法进行验证。

1 基于声压梯度和盲解卷积的滚动轴承故障诊断方法

（1）声压梯度。在描述声场信息的参数中，声压梯度（类似于质点振速）比声压的衰减速度更快，受到其他声源和环境噪声的影响比声压小，单只声压传感器是将目标声信号和背景噪声同时拾取，而两传声器配对组合在实现抑制背景噪声的同时仅拾取目标声信号，因此声压梯度相比声压具有指向性功能，可以显著降低周边环境噪声及回声的影响，在故障诊断上更具有优势。实验中，在每个测点位置上沿声波传播方向布置两个相同的声压传声器，根据有限差分原理，当两个传声器之间的距离∆r远小于被测声波波长时，声场中某点声传播方向r上的声压梯度可以由该传播方向上与该点相邻的两个点处的声压值近似估算：

（2）频域盲解卷积算法。频域盲解卷积算法主要是利用短时傅里叶变换(STFT)将时域卷积混合信号转化为频域内每个频点上的瞬时混合信号，再利用已经发展成熟的瞬时混合盲源分离算法进行分离，最后通过逆短时傅里叶变换将时域信号转换到时域即可。

（3）基于声压梯度和盲解卷积的滚动轴承故障诊断方法步骤（如图1）。其基本步骤为：输入滚动轴承声压信号；计算每个测点上的声压梯度值；采用盲解卷积算法对进行分离得到分离信号；对盲源分离算法分离信号进行Hilbert包络解调，获得其包络信号；进行频谱分析，按照预先计算的理论故障特征频率，从频谱图中提取故障特征频率并识别故障。

图1

2 故障诊断方法验证

（1）实验方案。实验是在普通的房间内进行，实验中同时采集轴承的声压信号和振动信号，振动信号用于后续与声压信号诊断结果的对比验证。测试用的滚动轴承为SKF 轴承，型号为6016，轴承的故障为外圈故障。在实验台靠近滚动轴承的位置布置3个ICP型声压传感器，传感器距地面高度30cm，距离轴承的水平距离为30cm；同时在靠近轴承正上方的机械表面安装一个ICP型单向振动加速度传感器采集轴承的振动信号。实验过程中，设置电机的转速档位为8档，对应的转频为7．5Hz，经计算，轴承外圈理论故障特征频率为45．54 Hz。采样频率设置为10240Hz。

（2）实验数据分析。首先分析加载工况下采集的数据，本文主要从频域对数据进行分析，以下主要以显示频域分析结果为主。先根据1．1节中的公式计算出3个测量点处的声压梯度值，然后求声压梯度的Hilbert包络谱，包络谱如图2所示。从图2可以看出，3个测点位置的声压梯度包络谱得到的结果相同，在谱图中可以明显看出在频率45．94Hz和91．88Hz存在较高的谱峰，这些谱峰的频率与轴承的外圈故障特征频率及其2倍频一致。为对比声压梯度的诊断效果，在3个测量点处各取一只声压传感器采集的声压信号，对这3个声压信号进行Hilbert包络谱分析，包络谱如图3所示。从图3中可以看出，测点1的信号包络谱在频率7．58Hz、10．63Hz和15．08Hz处存在谱峰，其中7．58Hz和15．08Hz分别对应于轴承的转频及其2倍频。此外在44．92Hz处存在一个较小的谱峰，它的频率与轴承的外圈故障特征频率接近；测点2的信号包络谱在频率3．52Hz、7．11Hz和10．63Hz处存在明显的谱峰，这3个频率值虽然不是轴承的转频，但相互呈现出倍数的关系，可能是现场存在某个未知的声源，假设该声源为s。在频率43．05Hz处存在较小的谱峰，它的频率可能对应于轴承的外圈故障特征频率；测点3的信号包络谱在频率3．52Hz和7．11Hz处存在明显的谱峰，这两个谱峰的频率分别对应于未知信号源s及其2倍频，但未能识别出轴承外圈故障特征频率。接下来，将3个测量点处的声压梯度值作为IF_Murata算法的输入量，得到3个分离信号。对声压梯度采用IF_Murata算法分离之后，又进一步将之前未能识别的特征给显示出来，在3个分量在中都能识别出与轴承的外圈故障特征频率及其2倍频对应的谱峰。通过以上的对比分析发现，声压梯度具有良好的抗噪性能，对声压梯度采用IF_Murata算法分离后的分离量作Hilbert包络分析，便能清晰地识别出轴承的故障特征，方法简单且故障识别效果良好，相比采用声压信号的诊断方法，采用声压梯度对滚动轴承进行故障诊断具有显著的优势。

图2 声压梯度包络谱

图3 声压信号包络谱

3 结语

本文提出了一种基于声压梯度和盲解卷积的滚动轴承故障诊断方法。该方法利用声压梯度抗噪能力强的优点，从而提高轴承的故障特征识别能力。采用盲解卷积算法对声压梯度进行分离之后，分离分量中能识别出更多的轴承特征。通过滚动轴承实验台实验验证了该方法的有效性和优越性。

[1]李常有,徐敏强,郭耸．声信号的主分量分析应用于滚动轴承故障诊断[J]．声学技术, 2008, 02:271-274．

[2]潘楠,伍星,迟毅林等．基于频域盲解卷积的齿轮箱复合故障声学诊断[J]．振动与冲击, 2013, 07:146-150．

TH165.3

A

1671-0711（2017）08（下）-0059-02