摘  要：冷軋機(jī)在高載荷運(yùn)行下容易出現(xiàn)軸承故障損傷。為了提高軸承在復(fù)雜環(huán)境下的振動(dòng)信號(hào)抗干擾能力，設(shè)計(jì)了一種基于ALIF和MCKD方法的軸承振動(dòng)信號(hào)處理及故障診斷方法。對(duì)仿真信號(hào)與軸承信號(hào)開展測(cè)試，該方法滿足可靠性要求。研究結(jié)果表明：包絡(luò)譜能夠?qū)?00Hz故障特征與對(duì)應(yīng)倍頻成分進(jìn)行分析，對(duì)噪聲信號(hào)起到了明顯的抑制效果，能夠?qū)收闲盘?hào)進(jìn)行準(zhǔn)確提取。該研究有助于提高機(jī)械傳統(tǒng)系統(tǒng)的故障診斷能力，具有很高的市場(chǎng)推廣價(jià)值。

關(guān)鍵詞：軸承；故障診斷；自適應(yīng)局部迭代濾波；相關(guān)峭度解卷積

0 引言

冷軋機(jī)設(shè)備在運(yùn)行時(shí)，會(huì)在初期故障階段就產(chǎn)生微弱的特征信號(hào)，但容易受到背景噪聲覆蓋而無法被準(zhǔn)確診斷。隨著故障程度的持續(xù)增大，***終將引起不可逆的破壞后果。因此，需要開發(fā)合適的故障檢測(cè)技術(shù)，對(duì)設(shè)備故障信號(hào)實(shí)現(xiàn)精確抓取[1-3]。EMD方法并未建立嚴(yán)密的數(shù)學(xué)推導(dǎo)公式，當(dāng)信 號(hào)中產(chǎn)生奇異點(diǎn)時(shí)，便會(huì)引起模態(tài)混疊的結(jié)果。采用三次樣條插值方式進(jìn)行處理時(shí)，也會(huì)出現(xiàn)欠擬合或者過擬合的問題，在噪聲環(huán)境中容易出現(xiàn)不穩(wěn)定的變化特征[4] 。黃斯琪等[5] 開發(fā)了一種迭代濾波算法（IF），該算法采用與EMD一致的架構(gòu)，通過低通濾波的方法建立上下包絡(luò)函數(shù)，再計(jì)算得到均值數(shù)據(jù)，用于故障診斷。鄧敏強(qiáng)等[6] 構(gòu)建了FP微分表達(dá)式，在此基礎(chǔ)上設(shè)置基礎(chǔ)解系以實(shí)現(xiàn)IF算法的拓展運(yùn)用，設(shè)計(jì)了一種可以能夠?qū)植亢瘮?shù)進(jìn)行自適應(yīng)處理的迭代濾波方法（ALIF）。ALIF可以對(duì)非線性變化過程的波動(dòng)信號(hào)進(jìn)行高效處理，并對(duì)處理數(shù)據(jù)進(jìn)行迭代濾波后得到IMF分量[7]。相對(duì)EMD方法，ALIF具備更強(qiáng)分解效率與模態(tài)混疊抑制效果，該算法具備更優(yōu)的綜合性能。現(xiàn)階段，ALIF算法已在機(jī)械故障診斷方面獲得了大 量使用，通過ALIF與能量算子解調(diào)相結(jié)合的方式，提取出軸承故障的頻率特征值，大幅提升了故障診斷精度。

本文以冷軋機(jī)軸承運(yùn)行狀態(tài)為研究對(duì)象，綜合運(yùn)用ALIF與MCKD方法實(shí)現(xiàn)軸承故障診斷。仿真信號(hào)測(cè)試表明，該方法滿足可靠性要求。

1 基本理論介紹

1.1 自適應(yīng)局部迭代濾波（ALIF）

ALIF算法是通過改進(jìn)迭代濾波算法（IF）獲得的自適應(yīng)分解算法。ALIF通常被用來構(gòu)建FP微分方程，并以此建立具備自適應(yīng)性能的濾波函數(shù)。因此，對(duì)ALIF算法原理進(jìn)行分析前，應(yīng)先深入了解IF算法的運(yùn)行機(jī)制。

IF和EMD是兩種相近的算法，經(jīng)過迭代計(jì)算，篩選得到相應(yīng)的本征模態(tài)分量（IMF）。ALIF算法是利用濾波函數(shù)和待分解數(shù)據(jù)卷積處理的過程確定滑動(dòng)算子，代替EMD算法的擬合計(jì)算包絡(luò)值過程。IF算法由內(nèi)循環(huán)與外循環(huán)二個(gè)環(huán)節(jié)構(gòu)成。

對(duì)于預(yù)處理信號(hào)X（t）與濾波函數(shù)f（t），可以根據(jù)X（t）與f（t）卷積結(jié)果獲得滑動(dòng)算子Γ（X（t））：

式中：f（t）為固定低通濾波函數(shù)；h（z）為對(duì)應(yīng)的濾波區(qū)間。

根據(jù)預(yù)處理信號(hào)X（t）相對(duì)滑動(dòng)算子Γ（X（t））差值，得到波動(dòng)算子K（X（t））：

分析波動(dòng)算子K（X（t））是否能顧滿足IMF分量標(biāo)準(zhǔn)，將滿足標(biāo)準(zhǔn)要求的波動(dòng)算子作為IMF分量。反之，將波動(dòng)算子進(jìn)行篩選處理。具體處理流程如下：

1）處理確定預(yù)處理信號(hào)濾波區(qū)間h（z）。

2）計(jì)算滑動(dòng)算子Γ（X（t））。 

3）確定波動(dòng)算子K（X（t））。 

篩選處理時(shí)的波動(dòng)算子函數(shù)：

IMF（t）符合IMF分量標(biāo)準(zhǔn)的情況下，則提取出一次IMF分量。否則，跳轉(zhuǎn)至步驟1）繼續(xù)進(jìn)行處理，直到滿足設(shè)定條件為止。

1.2 ALIF-MCKD軸承早期故障診斷方法

圖1為ALIF-MCKD軸承故障診斷的具體流程。

1）對(duì)振動(dòng)信號(hào)ALIF分解形成IMF分量與相應(yīng)殘余分量。

2）以相關(guān)系數(shù)與峭度相結(jié)合的方式，篩選得到敏感的IMF分量，再對(duì)其實(shí)施重構(gòu)，完成降噪過程。

3）以MCKD算法提高對(duì)重構(gòu)降噪信號(hào)的故障沖擊部分，然后，再計(jì)算包絡(luò)譜。

4）提取得到故障特征，并確定軸承故障發(fā)生部位。 

2 驗(yàn)證ALIF-MCKD方法有效性

冷軋機(jī)經(jīng)常出現(xiàn)不同形式的振動(dòng)現(xiàn)象，主傳動(dòng)系統(tǒng)加載負(fù)荷，會(huì)加劇振動(dòng)發(fā)生的情況。本文在MSK-5070冷軋機(jī)上開展振動(dòng)信號(hào)測(cè)試分析，現(xiàn)場(chǎng)照 片如圖2所示。

為了對(duì)ALIF與MCKD兩種算法結(jié)合的效果進(jìn)行驗(yàn)證，采用冷軋機(jī)軸承故障周期沖擊特征建立仿真信號(hào)，再開展仿真驗(yàn)證，仿真信號(hào)表達(dá)式如下：

式中：x1（t）為故障造成的沖擊信號(hào)；n（t）為振幅1的噪聲；x（t）為對(duì)軸承故障見仿真測(cè)試獲得的信號(hào)；將位移常數(shù)設(shè)定為A1=2，軸承固有頻率fn=2000Hz，對(duì)應(yīng)阻尼系數(shù)為ζ=0.1。

沖擊故障周期為T=0.01s，相當(dāng)于特征頻率為f=100 Hz。以fs=20k Hz的頻率進(jìn)行采樣，采樣數(shù)量為N=2048。圖3為仿真測(cè)試的時(shí)域波形。圖4為故障信號(hào)包絡(luò)譜，當(dāng)受到環(huán)境噪聲影響后，并未形成明顯的故障特征，同時(shí)還會(huì)受到其余多種頻率干擾。

利用相關(guān)系數(shù)-峭度方法確定IMF1與IMF2，并完成重構(gòu)降噪過程，利用MCKD算法實(shí)現(xiàn)重構(gòu)信號(hào)的降噪，再以包絡(luò)譜完成解調(diào)分析，結(jié)果如圖5所示。利用ALIF與MCKD方法進(jìn)行處理得到的包絡(luò)譜能夠?qū)?00Hz故障特征與對(duì)應(yīng)倍頻成分進(jìn)行分析，表明上述方法對(duì)噪聲信號(hào)起到了明顯的抑制效果，能夠?qū)收闲盘?hào)進(jìn)行準(zhǔn)確提取。

3 結(jié)論

本文開展基于ALIF+MCKD方法的冷軋機(jī)軸承振動(dòng)故障信號(hào)處理分析，得到如下結(jié)果：

1）利用MCKD算法對(duì)重構(gòu)信號(hào)進(jìn)行降噪，再以包絡(luò)譜完成解調(diào)分析。

2）包絡(luò)譜能夠?qū)?00Hz故障特征與對(duì)應(yīng)倍頻成分進(jìn)行分析，對(duì)噪聲信號(hào)起到了明顯的抑制效果，能夠?qū)收闲盘?hào)進(jìn)行準(zhǔn)確提取。

【參考文獻(xiàn)】

[1]劉紅軍，魏旭陽(yáng).基于GADF與卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷研究[J].機(jī)電工程，2021，38（5）：587-591.

[2]楊旭，彭開香，羅浩，等.基于EEMD和SVM的冷軋機(jī)垂直振動(dòng)相關(guān)故障的診斷[J].上海交通大學(xué)學(xué)報(bào)，2015，49（6）：751-756.

[3]袁林忠，陳寶薇，李焱華.冷軋機(jī)液壓故障診斷專家系統(tǒng)的關(guān)鍵技術(shù)研究[J].機(jī)床與液壓，2008，243（9）：160-162.

[4]李怡，李煥鋒，劉自然.基于CEEMDAN多尺度熵和SSA-SVM的軸承故障診斷研究[J].機(jī)電工程，2021，38（5）：599-604.

[5]黃斯琪，鄭近德，潘海洋，等.***大相關(guān)峭度反褶積與傅里葉分解方法相結(jié)合的滾動(dòng)軸承故障診斷[J].機(jī)械科學(xué)與技術(shù)，2020，39 （8）：1 163-1 170.

[6]鄧敏強(qiáng)，鄧艾東，朱靜，等.基于BFD和MSCNN的風(fēng)電滾動(dòng)軸承智能故障診斷[J].東南大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，51（3）：521-528.

[7]陳保家，汪新波，趙春華，等.基于自適應(yīng)局部迭代濾波和能量算子解調(diào)的軸承故障特征提取[J].南京理工大學(xué)學(xué)報(bào)，2018，42 （4）：445-452.