《Entropy》:Fault Feature Extraction of Rolling Bearings Based on Ordered Singular Spectrum Decomposition—Multipoint Optimal Minimum Entropy Deconvolution Adjusted
编辑推荐:
在滚动轴承早期故障阶段,振动数据中由故障引起的冲击信号通常极其微弱,且容易被强噪声淹没,导致有效提取和分析面临挑战。针对这一问题,研究人员提出了一种结合有序奇异谱分解(OSSD)与多点最优最小熵解卷积调整(MOMEDA)的新型弱故障冲击信号特征提取方法。首先,
在滚动轴承早期故障阶段,振动数据中由故障引起的冲击信号通常极其微弱,且容易被强噪声淹没,导致有效提取和分析面临挑战。针对这一问题,研究人员提出了一种结合有序奇异谱分解(OSSD)与多点最优最小熵解卷积调整(MOMEDA)的新型弱故障冲击信号特征提取方法。首先,采用OSSD对原始振动信号进行分解,逐步提取不同频带内的信号分量。基于互信息准则自适应选择最优信号分量,有效避免了模态混叠问题。随后,应用MOMEDA增强故障信号中的周期性冲击特征,提高其可识别性。为解决MOMEDA过程中固有的信号长度缩减问题,引入波形延拓策略以补偿缺失信号,确保信号完整性。仿真与实验结果表明,所提方法具有鲁棒的抗噪性能,能够在强噪声条件下有效提取滚动轴承的早期故障特征,验证了其准确性与有效性。
滚动轴承作为旋转机械的关键部件,其运行状态直接影响设备安全与可靠性,尤其在高速度高精度的机床电主轴等系统中,轴承性能对加工质量和运行稳定性起决定性作用。早期故障阶段,振动数据中故障引发的冲击信号极其微弱,常被强背景噪声淹没,导致有效提取与分析困难。现有方法如经验模态分解(EMD)、变分模态分解(VMD)等存在模态混叠、端点效应等问题,难以有效分离弱故障特征。针对该问题,研究人员提出了一种结合有序奇异谱分解(OSSD)与多点最优最小熵解卷积调整(MOMEDA)的滚动轴承早期故障特征提取方法,旨在提高低信噪比条件下弱故障特征的识别精度与可靠性。该研究发表在《Entropy》期刊上。
为开展研究,研究人员主要采用了以下关键技术方法:首先,利用有序奇异谱分解(OSSD)对原始振动信号进行自适应分解,通过互信息准则确定最优嵌入维数,并选择包含故障特征的最优奇异谱分量(SSC),从而避免模态混叠。其次,采用多点最优最小熵解卷积调整(MOMEDA)增强所选分量中的周期性冲击特征,其基于多点D-范数(Multipoint D-norm)强制带内周期冲击同相叠加。为补偿MOMEDA解卷积过程中导致的信号长度缩减,引入波形镜像延拓策略,以保留信号完整性与弱冲击特征的高保真度。实验数据来源于6206型滚动轴承,故障由电火花加工制造(局部矩形槽宽度0.2 mm和0.6 mm),采样频率10 kHz,转速约1480 rpm,故障特征频率包括外圈(f
out = 88.01 Hz)、内圈(f
in = 134.00 Hz)、滚动体(f
ball = 115.50 Hz)。
在仿真信号验证部分,研究人员构建了内圈故障仿真信号(采样频率16 kHz,采样点数4096),以验证所提方法的可行性。通过OSSD分解,确定最优嵌入维数为5,并基于互信息准则选择最优分量SSC3。与传统峰度准则和样本熵准则相比,所提准则在强噪声下避免了误判,使故障频率(理论120 Hz)识别误差从8.85%降至0.91%。然而,仅经OSSD处理后,故障谐波仍不显著,因此研究人员对SSC3应用MOMEDA(滤波器长度900,卷积周期133),处理后内圈故障特征频率及其谐波清晰可见。波形延拓策略有效恢复了信号长度,且故障频率及其谐波在延拓前后高度一致,验证了其无损补偿弱冲击特征的能力。
在实验验证部分,研究人员对滚动轴承内圈、外圈、滚动体三种故障(宽度0.2 mm)以及外圈不同故障尺寸(0.6 mm)进行了测试。对于内圈故障,通过OSSD分解确定最优嵌入维数为6,基于互信息准则选择SSC4为最优分量,其包络谱在136 Hz处出现峰值(接近理论值134 Hz),并出现旋转频率2f
r的边带。经MOMEDA(滤波器长度600,卷积周期74)处理后,时域信号和包络谱清晰识别出内圈故障特征频率及其谐波;定量分析显示各表征参数提升11.43%至23.11%。对于外圈故障,确定最优嵌入维数为5,选择SSC4为最优分量,MOMEDA处理后外圈故障频率(90 Hz和178 Hz)及其谐波明显可见,参数提升23.82%至51.41%。对于滚动体故障,确定最优嵌入维数为5,选择SSC4为最优分量,MOMEDA处理后故障频率114 Hz及其谐波显著,除峰值因子略有下降(6.1%)外,其他参数提升7.28%至43.44%。此外,对于外圈0.6 mm故障,所提方法同样有效识别了故障特征频率及其谐波,表明方法对故障尺寸具有鲁棒性。与EMD、VMD、EEMD方法的对比分析显示,所提方法在故障频率及其高阶谐波的清晰度和完整性方面显著优于传统方法,尤其是EMD和VMD在滚动体故障中无法识别故障频率。
总结讨论部分,研究人员翻译了研究结论:提出了一种结合OSSD和MOMEDA的滚动轴承早期故障特征提取方法。该方法利用OSSD有效分解非平稳振动信号,在自适应解决模态混叠问题的同时,引入互信息准则实现最优分量的自主选择,克服了传统SSD算法对人工先验经验的依赖。阐明了MOMEDA增强弱冲击特征的演化过程,并引入信号镜像延拓策略以解决解卷积导致的信号长度缩减和端点效应,成功补偿了时域缺失数据,保证了全长度信号的完整性,实现了高保真波形重构。仿真和轴承实验结果表明,所提方法在强背景噪声环境下具有极高的特征识别精度和鲁棒性,在故障频率及其高阶谐波的清晰度和完整性方面显著优于传统EMD和VMD方法。所提方法对加噪仿真信号和特定实验测试信号均表现出强鲁棒性。通过OSSD的自适应优化选择和去噪,结合MOMEDA利用多点D-范数迫使带内周期冲击同相叠加,该方法始终保持对弱故障特征的高保真稳定提取。