基于小波包、分频能量法与hilbert包络谱滚动轴承故障分析.ppt

基于小波包分频能量法及Hilbert包络谱的滚动轴承故障分析,汇报人：陈园园 学号：140213,一、研究意义与背景 二、常用信号处理方法介绍 三、本文研究思路及结合实例分析 四、小结,一、研究背景与意义,图1、滚动轴承,振动信号处理方法是滚动轴承故障诊断最常用的方法,对于旋转机械设备,滚动轴承是最常用、最关键的零部件之一，也是机械设备中最容品损坏的零件之一，故对轴承进行故障诊断与监测显得尤为重要二、常用的信号处理方法,信号处理方法,时域分析方法,频域分析方法,时频域分析方法,,,,,短时傅里叶变换 EMD（经验模态分解） 小波分析,傅里叶频谱 功率谱 倒频谱,振幅值分析 波形因数法 峰值因数法 峭度法,三、本文的研究思路及结合实例分析,图2、结合小波包分解、能量分析及包络谱算法流程图,轴承振动数据选取,,小波包分解与重构,分频能量法,BP神经网络,相关性分析,,,,Hilbert包络分析,验证故障频率,,,数据选取,实验数据来自凯斯西储大学工程实验室实际工况信号:滚动轴承型号为SKF6205,采样频率为12KHZ，提取四种状态模式下的滚动轴承振动信号,分别是正常轴承、内圈故障轴承、外圈故障轴承及滚动体故障轴承。

本文中主要以轴承内圈故障（转速为1730r/min，频率为28.83r/s,损伤直径为0.007英寸）分析作为示例1、轴承振动信号,图3、内圈故障和正常轴承时域对比图,1、轴承振动信号,为什么选择小波分析？,多分辨率能力,,距离远视野宽,概貌观察,分析频率低,尺度a 较大,,,细节观察,分析频率高,距离近 视野窄,尺度a 较小,,,,,由粗到精,2、小波包分解与重构,2、小波包分解与重构,图4、 小波分解示意图,节点数为 ，其中n是分解的层数 本文对信号进行了三层分解，得到（3，1），（3,2）…（3，8）八个节点,图5、内圈故障轴承小波包分解的节点重构图,2、小波包分解与重构,怎么快速定位特征频率明显的的关键频段呢？,,,,如果对所有频段都分析,势必太复杂,效果未必良好况且上面的三层小波包分解已经得到8个节点信号,而实际中,如果对信号进行4层、5层甚至多层小波包分解,势必将得到16、32个或更多节点,再对每个节点信号进行小波包络谱解调分析势必计算太繁琐、太混乱2、小波包分解与重构,3、分频能量法,由下图四种故障模式看出,各节点段能量分布都各不相同,假设各频段的能量值就可以作为该种模式下的一种特征量,可以代表故障状态的信息,用来进一步分析识别故障模式。

图6、 四种故障模式节点能量图,3、分频能量法,神经网络,将每种模式下各频段的能量值作为神经网络的输入，将输出设置为（1,0,0）（0,1,0）（0,0,1）分别代表内圈、滚动体、外圈故障图7、 神经网络的输出结果,由图可以看出每种模式下各频段的能量值可一用于识别不同的故障模式Hilbert变换将时域的实际信号转变成一种解析信号此解析信号,实部为实际的信号本身,虚部为信号的希尔伯特变换结果解析信号的振幅值则为实信号的包络,随后对包络信号使用傅里叶变换,便得到包络谱4、Hilbert包络分析,理论上能量越集中的频带集中了越多的故障信息下面通过相关性作理论分析并通过matlab仿真来验证，选取轴承内圈故障作分析4、Hilbert包络分析,相关性分析,自相关函数描述一个的时刻信号和另一个时刻信号之间的相互关系，是两个状态间相关性的数量描述即：,互相函数表示两个随机信号x(t)和y(t)的相关性统计量即：,由于小波包分解时正交无重叠的，因此互相关函数可度量对小波包变换后的各频带信号与信号的相关程度定义相关因子ai为：,4、Hilbert包络分析,图8、 内圈故障的节点能量图,图9、相关因子图,由下面两幅图，可以明显看出能量越高的节点对应的相关因子是越大的，这也证明可以直接选取节点能量高的频段进行hilbert包络分析。

4、Hilbert包络分析,matlab验证,图10、各个节点的包络图,图11、 节点（3,5）和（3,7）的包络谱,4、Hilbert包络分析,5、验证故障频率,查得轴承内圈故障频率的计算公式为：,n——转速 Z——滚动体个数 d——滚动体直径 D——节圆直径 ——接触角,代入计算结果为154.5475222805357 这与上述分析的155.3非常接近，证明了方法的正确性,四、小结,本文重点是对小波包分频段能量法及Hilbert包络谱分析方法在提取滚动轴承故障频率方面的研究以上实例证明，此方法可以强有效的对滚动轴承振动信号进行信号的特征提取及故障识别，说明此方法对可以用于滚动轴承故障诊断请老师和同学们批评指正,。