基于信号局部均值分解的机械故障诊断研究

刘 力

(延安职业技术学院机电工程系,陕西 延安 716000)

作者简介：刘力（1976—）,女, 副教授,硕士,主要研究方向为机械结构设计分析，hhxx_666@126.com.

摘要：基于信号局部均值分解法拓展原始机械信号的两端，优化经典局部均值分解法的端点效应，避免分解后原始信号失真。阐述了旋转机械故障诊断的基本流程，引入Fast ICA（快速独立分析因子）联合降噪，并基于能量系数和偏度系数构建特征向量，用相关系数增强分量包络谱的可靠性，提高了故障诊断与识别的准确率。实验结果表明，提出的故障诊断方法的诊断准确率在特征识别与模式识别下均较高，同时可以将均方误差值控制在一个较低的水平。

关键词：故障诊断；局部均值；旋转机械；独立分析因子

中图分类号：TH17       文献标识码：A       文章编号：2095-509X(2021)06-0117-04

旋转类设备结构较为复杂，在企业设备总量中占有较大的比例，因此做好旋转机械设备的在线监测和故障预防^［1-2］，对于保证企业设备安全运行意义重大。旋转类设备正常运行与带故障运行的振动频率存在差异，结合设备振动信号的时频特征和原始故障机理，能够确定出故障的位置、类别及严重程度^［3］。在线故障监测的难度在于短时间内要处理海量的样本数据^［4］，对于算法的降噪能力、信号分解能力有更高的要求。基于传感器故障数据集的特征提取，在故障鉴别的准确率上要明显优于传统人工检修模式^［5］，同时还能降低故障检修的人工成本，减少设备停机的时间。随着机械设备复杂程度的提高和实际作业时间的延长，故障数据集的规模越来越大^［6］，给在线故障数据采集和分析带来更多的困难。现有的故障在线诊断模式包括基于模式识别的故障诊断方案^［7］和基于信号分解与时频转换的故障诊断方案^［8］。文献^［9］提出了基于ANN（人工智能神经网络）的故障诊断方法，该方法模拟人脑神经网络的工作模式,模糊处理和训练故障大数据集合。文献^［10］提出了基于LS-SVM（最小二乘支持向量机）的故障分类诊断方法，利用机器学习在故障数据处理效率方面的优势实现故障的在线诊断。上述方法都采用了窗函数截取模式^［11］，在多分量信号分析时时频谱会出现交叉，影响了故障识别精度与故障诊断的效果。而HHT变换（希尔伯特-黄变换）在信号分析中结合了时频域转换的优点^［12］，提高了故障信号的处理效率，但该种方法依然延续了经典小波变换的窗口平移方案，信号分解中缺乏良好的自适应性，从而导致诊断结果的均方误差值过高。

本文提出了一种基于信号局部均值分解（LMD）的故障诊断算法，通过特征向量的构建与信号特征的提取，识别出故障点的位置和故障类别。

1 机械故障信号局部均值分解

原始机械故障信号中包含系统噪声和环境噪声，导致故障信号在频率和幅值方面表现较为复杂，信号分解后IMF分量的数量持续增加，造成模态混叠现象的产生。局部均值分解的目的是提取并区分原始含噪故障信号中的调频信号和包络信号，调频信号对应PF分量的频率特性，包络信号对应PF分量的幅值特征。设降噪后的旋转机械原始故障信号函数为s(t)，t为时间。在信号区间内位于相位k的局部极值点为τk，计算τk与其邻域相位极值点τk+1的均值μk：μk=(τk+τk+1)/2（1）