一种基于多点峭度谱和最大相关峭度解卷积的滚动轴承故障诊断方法.pdfVIP

一种基于多点峭度谱和最大相关峭度解卷积的滚动轴承故障诊

断方法

刘文朋;廖英英;杨绍普;刘永强;顾晓辉

【摘要】针对最大相关峭度解卷积(MCKD)方法需要预知准确的滚动轴承故障特

征周期的不足,提出一种多点峭度谱(Mkurtspectrum)和MCKD相结合的滚动轴

承故障诊断方法.利用多点峭度谱对采样信号进行处理,通过比较不同周期下解卷积

结果输出的信号的多点峭度谱,对预先估计的故障特征周期进行修正,再将优化得到

的故障周期的精确取值输入到MCKD算法中,增强原信号中周期性故障冲击特征,

并通过包络解调来诊断故障类型.通过对仿真信号、6205轴承外圈故障和铁路货车

轮对轴承复合故障的试验信号的分析表明:即使在未知准确转速的条件下,该方法依

然可以有效地实现滚动轴承的故障诊断,具有较高的工程应用价值.

【期刊名称】《振动与冲击》

【年(卷),期】2019(038)002

【总页数】7页(P146-151,163)

【关键词】滚动轴承;故障诊断;多点峭度谱;最大相关峭度解卷积(MCKD);复合故障

【作者】刘文朋;廖英英;杨绍普;刘永强;顾晓辉

【作者单位】石家庄铁道大学机械工程学院,石家庄050043;石家庄铁道大学土木

工程学院,石家庄050043;石家庄铁道大学机械工程学院,石家庄050043;石家庄铁

道大学机械工程学院,石家庄050043;石家庄铁道大学机械工程学院,石家庄

050043

【正文语种】中文

【中图分类】TH131.1

滚动轴承的运行状态监测和故障诊断一直是旋转机械健康维护的重要组成部分[1]，

目前，滚动轴承故障诊断研究方法多种多样，技术也日益成熟，其中，基于解卷积

的方法逐渐引起了广泛的关注。

最小熵解卷积(MinimumEntropyDeconvolution，MED)方法可以对振动信号进

行盲解卷积，从而消除传递路径的影响，突出信号中的冲击信息[2-3]，文献[4]首

先将MED算法应用到滚动轴承的故障诊断领域，并取得了良好的效果。文献[5]

将MED与谱峭度(SpectralKurtosis，SK)相结合成功应用于滚动轴承循环冲击特

征的增强，文献[6]将MED与稀疏分解相结合应用于强背景噪声下的滚动轴承微

弱故障特征提取，均受到了广泛的关注。然而，也有研究发现MED方法存在一定

的缺陷，通过解卷积输出的结果，常常会出现只突出单个脉冲或一些与故障冲击无

关的脉冲成分。为此，文献[7]在MED算法的基础上提出了一种最大相关峭度解

卷积(MaximumCorrelatedKurtosisDeconvolution,MCKD)的方法，旨在通过

解卷积输出与故障相关的周期性脉冲成分。近几年，MCKD作为一种增强信号中

的周期性冲击成分的有效算法，被广泛用于滚动轴承的故障诊断中[8-10]。然而，

MCKD算法对参数的要求极为严格，只有当解卷周期与相应的故障周期相匹配时，

MCKD算法才能发挥最优的效果[11]。在滚动轴承参数已知的前提下，尽管可以

通过理论计算得到故障周期，但是需要获得准确的转速信息。此外，由于转速波动

等随机因素的影响，测量转速与实际转速往往会存在一定的误差，导致计算的故障

周期与实际的故障周期产生差异，从而影响了MCKD算法的有效性。因此，获得

准确的周期T是进行MCKD算法的必要的前提。

为了克服MCKD需要预知准确的故障周期的缺点，更好的增强感兴趣的故障冲击

成分，提出了一种基于多点峭度谱[12]和MCKD的滚动轴承故障诊断方法。该算

法通过对比不同周期下解卷积结果输出的信号的多点峭度，检测处于不同周期下信

号的强度，从而寻找出滚动轴承典型故障周期的准确取值，对预先估计的故障周期

进行修正，将得到的故障周期输入到MCKD算法中，增强原信号中周期性故障冲

击成分，最后通过包络解调来进行诊断故障。通过仿真信号和实验信号分析，证明

了该方法的有效性。