首页 > 代码库 > 故障轴承声学信号的时域处理方法

故障轴承声学信号的时域处理方法

滚动轴承故障声学信号的检测与处理方法一直以来是个热点研究方向,已经有几十年的研究历史,相应的研究论文数以千计。大体上,可以分为两类处理方法,第一类是对采集到的声学信号直接在时域进行处理,第二类是频域处理方法,当然还有一些处理方法属于时频结合。

本文对常见的时域处理方法做一个总结。由于我收集到文献资料并不完整,所以这个总结也只是介绍一些传统的方法。由于本人水平有限,近些年比较流行的声发射(AE)技术及其相关的时域处理方法在本文中并没有涉及。

时域处理方法

在时间域分析和判断轴承声学信号称为轴承故障诊断的时域处理方法。最简单的方法就是将轴承的声学信号画出波形图来用眼睛来看,靠大脑来分析。其他复杂一些的方法还包括利用各种统计学参量来评估轴承的状态。

不要小瞧靠眼睛看波形分析轴承故障这种比较原始的方法,实际上人脑是一台相当强大的超级计算机,并且运行着复杂的自适应算法。靠这种看似简单的方法,我们能够确定波形中是否存在幅度调制现象,是否有轴偏载现象存在,是否存在异常的高频振动。

 1 一个典型的故障轴承的声音波形

图 1给出了一个内圈存在故障的轴承的声音信号,采样频率为100KHz,图上给出了0.1 s 的时间的波形。通过观察波形,我们能够获得大量的信息,比如上图中我们能看到声音信号包含周期性的冲击信号成分。这种冲击信号是由于滚子通过内圈故障点时撞击故障点而产生的。将上图进一步放大将会看的更加清晰。

 2 声音波形的局部放大图

图 2是图 1的局部放大图,图中可以看到3处较强的冲击振动,重复频率与滚子通过内圈的通过频率完全吻合,因此可以判定为内圈单处故障。滚子通过故障点时激起轴承体系的结构共振,随着滚子通过故障点,这种共振会迅速衰减。通常,有经验的工程师看一眼声音波形,就能判断轴承是否存在故障,简单测量一下相邻两次冲击振动的时间间隔就能确定轴承的故障类型。

故障轴承的声音与正常轴承的声音有很大的区别,这些区别导致故障轴承声音的许多统计学参量与正常轴承声音的统计学参量的取值范围有较大的区别。根据这些区别,我们就可以判定轴承是否存在故障。

常用的重要的统计学参数包括如下几种:

峰值:

峰值反映的是振动波形的最大振幅,适用于表面剥离类故障,因为这一类故障出现时滚动体与故障点会发生强烈的撞击致使声音信号发生突变产生短时间内的大幅值信号。但是峰值容易受到外界噪声干扰,很少单独作为判断准则。

均值:

对于声音信号,其平均值应为0,一般来说无需计算这个参量。但是有时为了确定信号采集系统是否工作正常,会计算这个值。

均方根值(RMS 值):

均方根值也称之为有效值,是一个应用广泛的统计参量。这个参量表征的是轴承产生的声音信号的能量大小,是判断轴承运行是否正常的一个重要指标。轴承没有故障时运行平稳,声音较小,对应RMS 值也相对较小。随着故障逐步加剧,RMS 也会随之增加。RMS 值对于诊断磨损类故障,或轴承缺油类故障的趋势分析很有效。但是对表面小范围剥离或伤痕等具有冲击振动形式的故障相对不很敏感。

波峰因子(Crest Factor):

波峰因子反映的是声音信号最大值与有效值间的比值,这个比值越大说明声音信号中存在的短时间大幅值的瞬时振动约剧烈。对于无故障的轴承,波峰因子接近3.5

峭度因子(Kurtosis):


峭度因子反映的是波形偏离正态分布的程度。白噪声的峭度值为3。有时,我们也会见到另一种峭度的定义:


这种定义并没有引入新的概念,只是将高斯型分布的信号的峭度因子定为了0,峭度值越大反映信号偏离高斯型分布越远。

通常有两种方式计算这些统计学参量,第一种方式是直接对原始的声音信号进行计算。第二种方式是首先对原始信号进行滤波处理,将原始信号中不同频段的信息提取出来,然后分别计算统计学参量。

通常各种噪声集中在低频段,高频段上更能体现出故障特征。比如下图是将图1的声音波形用一个20-40kHz的带通滤波器滤波后的结果。


图 3 滤波之后的声音信号(20-40kHz

从图上可以看出,滤波之后故障点的“通过振动”变的非常的明显。峭度值也增加到了25.3,波峰因子增长到了10.3

RMS 值和峰值可以用来对轴承运行状态进行趋势跟踪,但是不适合单次判定。因为不同的工作环境,不同的轴承,这两个值会有很大的变化。我们无法选择一个合适的阈值来判断轴承是否存在故障。峭度值和波峰因子与轴承声音信号的大小无关,因此用这两个参量来判断轴承故障,尤其是轴承早期故障会比较准确。但是随着轴承故障的加剧,轴承的振动特征会变的越来越随机,这两个参量的计算结果也会降低。因此,只通过这两个参量是无法确定轴承故障的严重程度的。

滤波频段的选择也非常重要,下表给出了对上面轴承声音波形进行了各个不同频段的滤波处理之后的峭度值和波峰因子的计算结果。


图中可以看出,相对来说,频率段选的高一些,得到的结果会更好一些。也就是说高频段中故障特征声音更明显。但是这也不是绝对的,对于某个特定的问题,还需要实验测试来获得最佳的滤波频段。

也可以从轴承声音信号幅度的分布来研究这个问题。对于良好轴承来说,其发出的声音近似为白噪声,幅度分布接近正态分布。一旦轴承出现故障,其振幅的分布就会产生偏离。

下图给出了一个新轴承和一个故障轴承声音的幅度分布,对原始声音信号做了带通滤波处理。横坐标按照信号的标准差进行了归一化。

图 4 新轴承和故障轴承声音的幅度分布

新轴承的声音信号点主要集中在0点附近,偏离3个标准差的信号点非常少,几乎没有超过5σ的信号点。而故障轴承由于存在“通过振动”,有相当比例的信号点偏离0点很远。因此,通过统计偏离某一个阈值的信号点所占的比例,也可以判定轴承是否存在故障。