第9期 2016年9月
组合机床与自动化加工技术
ModularMachineTool &Automatic Manufacturing Technique
文章编号：10012265(2016)09005103
DOI:10. 13462/j. enki. mmtamt. 2016. 09.014
MED和WPT技术在轴承故障检测中的应用
张丹“，隋文涛”，黄雪梅”
（山东理工大学a.电气与电子工程学院；b.机械工程学院，山东淄博255049）
No.9 Sep.2016
摘要：针对滚动轴承早期故障信息难以提取的问题，提出了一种基于最小炳卷积（MED）、小波包分解（WPT)和包络分析轴承故障检测技术，首先把采集的振动信号进行最小炳卷积处理，并根据包络谱稀疏度选择MED的滤波器长度。然后再将卷积后信号进行小波包分解，从所有的小波包节点中选择出包含故障敏感信息的节点。最后通过功率谱凸显轴承故障特征频率信息。通过实际信号对该
方法进行了验证，结果表明该方法能够准确判明轴承运行状态。关键词：最小炳卷积；小波包分解；包络分析；轴承故障
中图分类号：TH165;TG659
文献标识码：A
TheApplication of MED and WPT inBearings Fault Detection
ZHANC Dan',SUI Wen-tao",HUANG Xue-mei b
(a. School of Electrical & Electronic Engineering;b. School of Mechanical Engineering, Shandong University of Technology, Zibo Shandong 255049, China)
Abstract : A new technique is proposed in this work for fault detection in rolling element bearings, which is based on minimum entropy deconvolution (MED), wavelet packet decomposition (WPT) and envelop a-nalysis. Firstly, the collected vibration signal is preprocessed to highlight defect-related impulses, and a new indicator named envelope spectra sparsity is proposed to automatically select the filter length of MED. Then the preprocessed signal is decomposed into WPT nodes, and the most sensitive node containing fault-related information are selected from all the nodes to improve the accuracy of the fault detection. Sparsity of wavelet packet nodes signal is proposed in this step as a measure indicator. Lastly the power spectrum is used to highlight the bearing fault characteristic frequencies. The effectiveness of the proposed technique in feature extraction and analysis is verified by a series of experimental tests corresponding to different bearing condi-tions.
Key words: minimum entropy deconvolution; wavelet packet decomposition; envelope analysis; bearing fault
0
引言
滚动轴承是旋转机械中是重要的部件之一，轴承
的损坏可能引起机械故障，甚至可能导致严重事故。因此，有效的故障检测技术能够在轴承故障初期识别故障，为了实现这个目标提出了不同的轴承振动信号分析方法[13]。
比较常用的分析技术包括时域指标法、常规频谱分析技术和现代信号处理方法，例如快速傅里叶变换（STFT）、Wigner-Ville分布（WVD）、小波变换（WT）和小波包变换（WPT)等。包络分析是最有效的方法，因为包络信号比原始信号包含了更多的与轴承故障相关的特征。包络分析的难点是谐振频率带的合理选择，在这方面进行了许多的研究。近些年，经验模态分解
(EMD)的方法在故障诊断中取得了广泛应用[45)，信号的固有模态函数(IMF)被选择用来做包络分析。但是IMF的选择是非常困难的，同时也不能保证这首个 IMF对故障是敏感的。
针对滚动轴承早期故障信息难以提取的间题，本文提出了一种新的轴承故障检测方法。该方法包括两个重要部分，一个是用MED来加强故障信息；另外个是选择合适的小波包节点，换言之选取包络分析的最佳频率带。
MED与小波包节点选取 1
1.1MED与滤波长度选择
MED的主要原理是假设原始信号含有冲击或具
收稿日期：20160204
+基金项目：国家自然科学基金（51305243）；山东省自然科学基金（ZR2012EEL06）
作者简介：张丹（1977—），女，河北部郸人，山东理工大学讲师，研究方向为机械信号处理，（E-mail)zhangian_sdut@163.com。万方数据