郭明建，高偉

（1.廣州汽車集團(tuán)乘用車有限公司，廣東 廣州 510000；2.上海電氣風(fēng)電集團(tuán)有限公司，上海 200241）

基于聲壓梯度和盲解卷積的滾動軸承故障診斷

郭明建1，高偉2

（1.廣州汽車集團(tuán)乘用車有限公司，廣東 廣州 510000；2.上海電氣風(fēng)電集團(tuán)有限公司，上海 200241）

提出一種將滾動軸承聲壓梯度作為分析量的故障診斷方法。聲壓梯度比聲壓的衰減速度更快，受其他聲源和環(huán)境噪聲的影響比聲壓小，因而聲壓梯度的信噪比高。該方法對滾動軸承聲壓梯度進(jìn)行盲解卷積得到分離分量，然后對各分量進(jìn)行Hilbert包絡(luò)譜分析識別軸承的故障特征。最后通過滾動軸承實(shí)驗(yàn)臺實(shí)驗(yàn)驗(yàn)證該方法的優(yōu)越性。

滾動軸承；聲壓梯度；盲解卷積；故障診斷

滾動軸承是旋轉(zhuǎn)機(jī)械的重要部件，同時(shí)也是故障易發(fā)生的部位。當(dāng)滾動軸承出現(xiàn)損傷時(shí)，將影響整個設(shè)備的安全穩(wěn)定運(yùn)行。當(dāng)滾動軸承發(fā)生故障時(shí)，其聲學(xué)特性也會發(fā)生改變，從而蘊(yùn)含滾動軸承的故障信息，因此目前已有較多的基于聲信號的故障診斷方法，張武軍等提出了一種獨(dú)立分量分析和自相關(guān)分析相結(jié)合的方法對齒輪進(jìn)行故障分析，可以有效地提取在強(qiáng)噪背景噪聲干擾下的齒輪故障特征。李常有等采用主分量分析對傳聲器測取的聲信號進(jìn)行了預(yù)處理，在此基礎(chǔ)上應(yīng)用基于Morlet小波變換的包絡(luò)分析和頻譜分析來提取滾動軸承故障特征向量。潘楠等人利用頻域盲解卷積算法對復(fù)雜聲場環(huán)境中的齒輪箱復(fù)合故障進(jìn)行診斷，該方法通過形態(tài)濾波濾除非調(diào)制信號，利用改進(jìn)復(fù)數(shù)固定點(diǎn)算法優(yōu)選復(fù)獨(dú)立分量，取得了良好的診斷效果，同時(shí)他又研究了欠定條件下的滾動軸承復(fù)合故障聲學(xué)診斷問題。但是以上基于聲信號的故障診斷方法都是采用聲壓量進(jìn)行分析，而聲壓容易受到現(xiàn)場無關(guān)聲源的干擾，導(dǎo)致測得的聲壓信號信噪比較低。實(shí)際上，在描述聲場信息的參數(shù)中，聲壓梯度比聲壓的衰減速度更快，如果采用聲壓梯度作為分析量，其受到其他聲源和環(huán)境噪聲的影響比聲壓小，因此聲壓梯度比聲壓更具有優(yōu)勢。

在實(shí)際環(huán)境下，由于聲信號在傳播過程中的反射和延遲，傳感器接收到的聲信號是多種信號源的卷積混合，所以采用盲解卷積的方法對源信號進(jìn)行分離和提取更為合適。目前盲解卷積主要分時(shí)域和頻域算法，時(shí)域算法能獲得較好的性能，但現(xiàn)有時(shí)域算法具有計(jì)算量大、復(fù)雜度高和收斂速度慢的缺點(diǎn)。而頻域方法通過時(shí)頻變換將時(shí)域中信號的卷積混合變換為頻域中每個頻率段上的瞬時(shí)混合，從而可以在每個頻率段上直接運(yùn)用成熟的瞬時(shí)混合盲分離算法。因此頻域盲解卷積算法的研究和應(yīng)用較多。但頻域瞬時(shí)盲分離需要在頻域克服幅度和排序不確定性問題。本文采用基于聲壓梯度的盲解卷積方法對滾動軸承故障特征進(jìn)行識別，通過滾動軸承故障實(shí)驗(yàn)對該方法進(jìn)行驗(yàn)證。

1 基于聲壓梯度和盲解卷積的滾動軸承故障診斷方法

（1）聲壓梯度。在描述聲場信息的參數(shù)中，聲壓梯度（類似于質(zhì)點(diǎn)振速）比聲壓的衰減速度更快，受到其他聲源和環(huán)境噪聲的影響比聲壓小，單只聲壓傳感器是將目標(biāo)聲信號和背景噪聲同時(shí)拾取，而兩傳聲器配對組合在實(shí)現(xiàn)抑制背景噪聲的同時(shí)僅拾取目標(biāo)聲信號，因此聲壓梯度相比聲壓具有指向性功能，可以顯著降低周邊環(huán)境噪聲及回聲的影響，在故障診斷上更具有優(yōu)勢。實(shí)驗(yàn)中，在每個測點(diǎn)位置上沿聲波傳播方向布置兩個相同的聲壓傳聲器，根據(jù)有限差分原理，當(dāng)兩個傳聲器之間的距離?r遠(yuǎn)小于被測聲波波長時(shí)，聲場中某點(diǎn)聲傳播方向r上的聲壓梯度可以由該傳播方向上與該點(diǎn)相鄰的兩個點(diǎn)處的聲壓值近似估算：

（2）頻域盲解卷積算法。頻域盲解卷積算法主要是利用短時(shí)傅里葉變換(STFT)將時(shí)域卷積混合信號轉(zhuǎn)化為頻域內(nèi)每個頻點(diǎn)上的瞬時(shí)混合信號，再利用已經(jīng)發(fā)展成熟的瞬時(shí)混合盲源分離算法進(jìn)行分離，最后通過逆短時(shí)傅里葉變換將時(shí)域信號轉(zhuǎn)換到時(shí)域即可。

（3）基于聲壓梯度和盲解卷積的滾動軸承故障診斷方法步驟（如圖1）。其基本步驟為：輸入滾動軸承聲壓信號；計(jì)算每個測點(diǎn)上的聲壓梯度值；采用盲解卷積算法對進(jìn)行分離得到分離信號；對盲源分離算法分離信號進(jìn)行Hilbert包絡(luò)解調(diào)，獲得其包絡(luò)信號；進(jìn)行頻譜分析，按照預(yù)先計(jì)算的理論故障特征頻率，從頻譜圖中提取故障特征頻率并識別故障。

圖1

2 故障診斷方法驗(yàn)證

（1）實(shí)驗(yàn)方案。實(shí)驗(yàn)是在普通的房間內(nèi)進(jìn)行，實(shí)驗(yàn)中同時(shí)采集軸承的聲壓信號和振動信號，振動信號用于后續(xù)與聲壓信號診斷結(jié)果的對比驗(yàn)證。測試用的滾動軸承為SKF 軸承，型號為6016，軸承的故障為外圈故障。在實(shí)驗(yàn)臺靠近滾動軸承的位置布置3個ICP型聲壓傳感器，傳感器距地面高度30cm，距離軸承的水平距離為30cm；同時(shí)在靠近軸承正上方的機(jī)械表面安裝一個ICP型單向振動加速度傳感器采集軸承的振動信號。實(shí)驗(yàn)過程中，設(shè)置電機(jī)的轉(zhuǎn)速檔位為8檔，對應(yīng)的轉(zhuǎn)頻為7．5Hz，經(jīng)計(jì)算，軸承外圈理論故障特征頻率為45．54 Hz。采樣頻率設(shè)置為10240Hz。

（2）實(shí)驗(yàn)數(shù)據(jù)分析。首先分析加載工況下采集的數(shù)據(jù)，本文主要從頻域?qū)?shù)據(jù)進(jìn)行分析，以下主要以顯示頻域分析結(jié)果為主。先根據(jù)1．1節(jié)中的公式計(jì)算出3個測量點(diǎn)處的聲壓梯度值，然后求聲壓梯度的Hilbert包絡(luò)譜，包絡(luò)譜如圖2所示。從圖2可以看出，3個測點(diǎn)位置的聲壓梯度包絡(luò)譜得到的結(jié)果相同，在譜圖中可以明顯看出在頻率45．94Hz和91．88Hz存在較高的譜峰，這些譜峰的頻率與軸承的外圈故障特征頻率及其2倍頻一致。為對比聲壓梯度的診斷效果，在3個測量點(diǎn)處各取一只聲壓傳感器采集的聲壓信號，對這3個聲壓信號進(jìn)行Hilbert包絡(luò)譜分析，包絡(luò)譜如圖3所示。從圖3中可以看出，測點(diǎn)1的信號包絡(luò)譜在頻率7．58Hz、10．63Hz和15．08Hz處存在譜峰，其中7．58Hz和15．08Hz分別對應(yīng)于軸承的轉(zhuǎn)頻及其2倍頻。此外在44．92Hz處存在一個較小的譜峰，它的頻率與軸承的外圈故障特征頻率接近；測點(diǎn)2的信號包絡(luò)譜在頻率3．52Hz、7．11Hz和10．63Hz處存在明顯的譜峰，這3個頻率值雖然不是軸承的轉(zhuǎn)頻，但相互呈現(xiàn)出倍數(shù)的關(guān)系，可能是現(xiàn)場存在某個未知的聲源，假設(shè)該聲源為s。在頻率43．05Hz處存在較小的譜峰，它的頻率可能對應(yīng)于軸承的外圈故障特征頻率；測點(diǎn)3的信號包絡(luò)譜在頻率3．52Hz和7．11Hz處存在明顯的譜峰，這兩個譜峰的頻率分別對應(yīng)于未知信號源s及其2倍頻，但未能識別出軸承外圈故障特征頻率。接下來，將3個測量點(diǎn)處的聲壓梯度值作為IF_Murata算法的輸入量，得到3個分離信號。對聲壓梯度采用IF_Murata算法分離之后，又進(jìn)一步將之前未能識別的特征給顯示出來，在3個分量在中都能識別出與軸承的外圈故障特征頻率及其2倍頻對應(yīng)的譜峰。通過以上的對比分析發(fā)現(xiàn)，聲壓梯度具有良好的抗噪性能，對聲壓梯度采用IF_Murata算法分離后的分離量作Hilbert包絡(luò)分析，便能清晰地識別出軸承的故障特征，方法簡單且故障識別效果良好，相比采用聲壓信號的診斷方法，采用聲壓梯度對滾動軸承進(jìn)行故障診斷具有顯著的優(yōu)勢。

圖2 聲壓梯度包絡(luò)譜

圖3 聲壓信號包絡(luò)譜

3 結(jié)語

本文提出了一種基于聲壓梯度和盲解卷積的滾動軸承故障診斷方法。該方法利用聲壓梯度抗噪能力強(qiáng)的優(yōu)點(diǎn)，從而提高軸承的故障特征識別能力。采用盲解卷積算法對聲壓梯度進(jìn)行分離之后，分離分量中能識別出更多的軸承特征。通過滾動軸承實(shí)驗(yàn)臺實(shí)驗(yàn)驗(yàn)證了該方法的有效性和優(yōu)越性。

[1]李常有,徐敏強(qiáng),郭聳．聲信號的主分量分析應(yīng)用于滾動軸承故障診斷[J]．聲學(xué)技術(shù), 2008, 02:271-274．

[2]潘楠,伍星,遲毅林等．基于頻域盲解卷積的齒輪箱復(fù)合故障聲學(xué)診斷[J]．振動與沖擊, 2013, 07:146-150．

TH165.3

A

1671-0711（2017）08（下）-0059-02