基于算法的鼓風(fēng)機(jī)軸承故障檢測(cè)研究摘要鼓風(fēng)機(jī)是冶煉行業(yè)的重要設(shè)備，人們?cè)诤茉缰熬陀惺褂霉娘L(fēng)機(jī)的記錄，自從人類進(jìn)入工業(yè)社會(huì)以來，對(duì)煤炭等化石能源的使用大幅增加，使得鋼鐵產(chǎn)業(yè)快速發(fā)展，這一過程中鼓風(fēng)機(jī)起到了重要的作用。但是在使用過程中鼓風(fēng)機(jī)容易損壞從而對(duì)生產(chǎn)造成一定的影響。在鼓風(fēng)機(jī)的組成部件中軸承是最脆弱的也是最容易損壞的，同時(shí)鼓風(fēng)機(jī)的損壞原因多種多樣，難以進(jìn)行故障的診斷和排除，這對(duì)于需要使用鼓風(fēng)機(jī)進(jìn)行生產(chǎn)的企業(yè)來說是一大困擾，為了解決這一問題，本次設(shè)計(jì)將利用所學(xué)的專業(yè)知識(shí)，通過MCKD算法建立一套鼓風(fēng)機(jī)的診斷程序，傳統(tǒng)的診斷方式只能看到肉眼可見的損壞，對(duì)于細(xì)微的損壞難以察覺，而且傳統(tǒng)的檢測(cè)手段檢測(cè)速度較慢，極大的影響了工業(yè)生產(chǎn)的進(jìn)度，而基于MCKD算法的檢測(cè)程序是通軸承故障產(chǎn)生的故障信號(hào)進(jìn)行檢測(cè)，具有速度快，準(zhǔn)確率高的特點(diǎn)。在具體的工作中，通過將軸承震動(dòng)信號(hào)轉(zhuǎn)化為濾波信號(hào)，再利用頻譜分析儀進(jìn)行數(shù)據(jù)分析，找出與故障相對(duì)應(yīng)的頻譜進(jìn)行特征提取，完成故障的診斷。關(guān)鍵詞：鼓風(fēng)機(jī)軸承；信號(hào)分析；故障診斷目錄TOC\o"1-3"\h\u摘要 緒論選題背景與意義現(xiàn)代工業(yè)加工技術(shù)的飛速發(fā)展離不開軸承制造工藝水平的不斷提升，軸承在工業(yè)生產(chǎn)領(lǐng)域具有極高的適用范圍。工業(yè)生產(chǎn)行業(yè)利用軸承使產(chǎn)品的生產(chǎn)有了更高的質(zhì)量保障和更快的生產(chǎn)效率，降低生產(chǎn)成本的同時(shí)，為生產(chǎn)者創(chuàng)造更大的效益，生產(chǎn)者對(duì)生產(chǎn)工藝不斷提出的更高的要求也促進(jìn)了軸承在材料和技術(shù)上的進(jìn)步和革新，有助于打破西方國(guó)家在這一領(lǐng)域的封鎖局勢(shì)，助力我國(guó)企業(yè)及相關(guān)技術(shù)的進(jìn)步，為制造業(yè)的發(fā)展添加新的動(dòng)力，實(shí)現(xiàn)制造業(yè)的自主創(chuàng)新。這一技術(shù)的廣泛應(yīng)用還能提高整個(gè)社會(huì)的生產(chǎn)效率，有助于人們創(chuàng)造更多的財(cái)富。軸承是一種精密度較高的零件，對(duì)于生產(chǎn)企業(yè)有著較高的技術(shù)要求，目前全世界能生產(chǎn)高精密度軸承的國(guó)家寥寥無幾，而且高精度軸承卻是諸多尖端科技領(lǐng)域如航天、核能等領(lǐng)域的重要部件，具有重要的價(jià)值。軸承技術(shù)發(fā)展的程度在一定程度上決定了工業(yè)自動(dòng)化的整體發(fā)展水平。它的結(jié)構(gòu)設(shè)計(jì)和它在設(shè)備運(yùn)行中的第一要素就是保證其安全、可靠和良好的動(dòng)態(tài)性能。因此，無論是理論研究還是實(shí)際應(yīng)用，軸承相關(guān)技術(shù)的研究都具有重要的學(xué)術(shù)價(jià)值和社會(huì)經(jīng)濟(jì)效益。軸承是鼓風(fēng)機(jī)的核心部件，通過軸承實(shí)現(xiàn)摩擦力的轉(zhuǎn)換從而提高鼓風(fēng)機(jī)的工作效率，使用軸承的同時(shí)也減小了零部件之間的機(jī)械摩擦，提升了鼓風(fēng)機(jī)的使用壽命。為了進(jìn)一步對(duì)軸承進(jìn)行深入研究，本次設(shè)計(jì)選擇了鼓風(fēng)機(jī)來作為具體的研究對(duì)象，通過對(duì)它的軸承展開研究來完成本次的實(shí)驗(yàn)設(shè)計(jì)，軸承一般由四個(gè)部分組成，分別是內(nèi)外圈、鋼珠和保持架，一般軸承的內(nèi)圈會(huì)直接與軸相連接，從而減小摩擦力。由于滾動(dòng)摩擦的摩擦力小于滑動(dòng)摩擦，所以人們使用軸承來降低機(jī)械零件之間的摩擦，這是軸承制造的基本原理。保持架的目的是為了增強(qiáng)軸承的穩(wěn)定性，確保鋼珠可以均勻的在內(nèi)外圈之間分布。二十一世紀(jì)全球范圍內(nèi)的工業(yè)化進(jìn)程快速推進(jìn)，新技術(shù)和新材料的應(yīng)用使得機(jī)械自動(dòng)化裝備的先進(jìn)程度大幅提升，但是機(jī)械裝備存在一個(gè)永恒的天敵—故障。機(jī)械故障從機(jī)械誕生之初就伴隨著它，隨著技術(shù)和制造水平的進(jìn)步故障的發(fā)生率大大降低了，但是機(jī)械故障的發(fā)生是不可避免的，因此針對(duì)機(jī)械故障進(jìn)行檢測(cè)就具有十分重要的意義。據(jù)相關(guān)數(shù)據(jù)顯示約有百分之七十的故障是由機(jī)械自身的振動(dòng)引起的，特別是高精密度的零件，而這部分振動(dòng)引起的故障中有一大部分是軸承損壞，可以說軸承是一個(gè)非常脆弱的零件，但是由于它的重要性，其發(fā)生故障時(shí)也會(huì)導(dǎo)致設(shè)備難以運(yùn)行，嚴(yán)重的甚至?xí)l(fā)安全事故，為此針對(duì)其建立一套行之有效的檢測(cè)系統(tǒng)及方法是具有極高的現(xiàn)實(shí)意義和社會(huì)價(jià)值的。解卷積算法研究現(xiàn)狀鼓風(fēng)機(jī)軸承故障的形成一般都需要經(jīng)歷一個(gè)過程，但是在早期時(shí)軸承故障產(chǎn)生的異常振動(dòng)幅度較小，相應(yīng)的信號(hào)也就比較微弱，難以被察覺，而且鼓風(fēng)機(jī)的工作環(huán)境充滿其他環(huán)境噪音以及自身產(chǎn)生的工作噪音，這都是導(dǎo)致故障前期難以發(fā)現(xiàn)的原因。為了可以在早期發(fā)現(xiàn)并排除故障，本次設(shè)計(jì)使用了最大相關(guān)峭度解卷積(MCKD)算法對(duì)噪聲信號(hào)進(jìn)行去除，在濾除噪聲的情況下進(jìn)行故障振動(dòng)的檢測(cè)。MCKD是最大相關(guān)峭度解卷積算法的英文單詞縮寫，下文用它來進(jìn)行代指。在這種算法中相關(guān)峭度是準(zhǔn)確性和有效性的重要參考指標(biāo)。在對(duì)物體產(chǎn)生的原始信號(hào)進(jìn)行分析時(shí)，原始信號(hào)的沖擊分量會(huì)表現(xiàn)出時(shí)間特性，而MCKD算法就具有突出這一特征的作用。在當(dāng)前的故障分析領(lǐng)域中，人們大量的使用到了MCKD算法進(jìn)行早期的故障信號(hào)分析，這一方法同時(shí)也可以作為一種故障分析的工具來進(jìn)行使用。舉例說明，以唐貴基為代表的多名學(xué)者在鼓風(fēng)機(jī)的早期故障診斷中，通過利用MCKD算法對(duì)早期振動(dòng)信號(hào)進(jìn)行分析以此達(dá)到故障診斷的目的[1-2]，以何玉靈為代表的多名學(xué)者在發(fā)電機(jī)的故障診斷中，通過MCKD算法對(duì)特征振動(dòng)信號(hào)進(jìn)行增強(qiáng)，實(shí)現(xiàn)了早期的故障診斷[3]，以冷軍發(fā)為代表的多名學(xué)者在齒輪故障診斷中，通過利用MCKD算法實(shí)現(xiàn)了早期的故障診斷[4]。大量的實(shí)驗(yàn)結(jié)果表明MCKD算法在軸承振動(dòng)信號(hào)分析方面的可靠性，為MCKD算法應(yīng)用在軸承振動(dòng)信號(hào)分析領(lǐng)域提供了大量的數(shù)據(jù)支撐。無獨(dú)有偶，以趙洪山為代表的一批學(xué)者將MCKD算法作為一種有效的工具，通過用MCKD算法處理軸承振動(dòng)信號(hào)，再進(jìn)行變模分解，在風(fēng)機(jī)軸承振動(dòng)信號(hào)分析和故障診斷過程中進(jìn)行了具體應(yīng)用[5]。在分離原始信號(hào)中的低共振沖擊成分之前，以何群為代表的幾位學(xué)者首先對(duì)原始信號(hào)進(jìn)行了稀疏分解，最后利用MCKD算法對(duì)低共振成分進(jìn)行了計(jì)算和分析，突出了周期性脈沖成分和故障特征[6]。在振動(dòng)信號(hào)的處理上，以隋文濤為代表的幾位學(xué)者通過EMD算法獲得了一組本征模態(tài)分量，然后以包絡(luò)譜峰度和時(shí)域峰度為評(píng)價(jià)標(biāo)準(zhǔn)，找出相對(duì)敏感的IMF分量并進(jìn)行重構(gòu)，再利用MCKD算法處理重構(gòu)后的信號(hào)，提取與軸承故障相關(guān)的信息[7]。為了解決在復(fù)雜和強(qiáng)噪聲環(huán)境下很難從軸承的早期振動(dòng)信號(hào)中提取故障特征的問題，一些科學(xué)家嘗試使用最小熵去卷積算法來解決這個(gè)問題。最小熵解卷積方法最早是在1987年提出的。威金斯認(rèn)為，該方法的核心是故障特征信號(hào)的"穩(wěn)定性"，但這種"穩(wěn)定性"不是固定的，故障特征與傳遞函數(shù)卷積后，熵值增加，需要以目標(biāo)函數(shù)為工具，找到一個(gè)最優(yōu)的濾波器令濾波后的輸出信號(hào)熵值最低，從而找到初始的"確定"狀態(tài)[8-9]。本文主要研究?jī)?nèi)容介紹鼓風(fēng)機(jī)故障一般需要一個(gè)過程，但在故障初期產(chǎn)生異常振動(dòng)時(shí)振幅較小，信號(hào)較弱，難以檢測(cè)，而且鼓風(fēng)機(jī)的工作環(huán)境中充滿了其他環(huán)境噪聲等干擾因素，這些都對(duì)故障前的檢測(cè)造成障礙。在本實(shí)驗(yàn)中通過人工手段對(duì)設(shè)備造成單點(diǎn)腐蝕故障，并通過加速度來反映振動(dòng)信號(hào)，反映振動(dòng)信號(hào)的變化可以通過對(duì)其進(jìn)行分析來完成。一般在電機(jī)殼體的驅(qū)動(dòng)端和風(fēng)扇端的12點(diǎn)鐘位置安裝加速度計(jì)。振動(dòng)信號(hào)通過加速度計(jì)轉(zhuǎn)換后傳輸?shù)接?jì)算機(jī)，并通過計(jì)算機(jī)進(jìn)行處理，比較濾波前后的頻譜和包絡(luò)譜以及故障特征，并以此為依據(jù)對(duì)軸承故障作出判斷。本文的內(nèi)容安排如下：第一章：背景介紹。通過鼓風(fēng)機(jī)對(duì)軸承早期診斷的背景和意義進(jìn)行了介紹，并詳細(xì)介紹了國(guó)內(nèi)外的研究歷史和現(xiàn)狀。第二章：研究主體介紹。對(duì)本次設(shè)計(jì)的主體鼓風(fēng)機(jī)軸承進(jìn)行了全面的分析，主要內(nèi)容包括軸承的損壞形式和發(fā)生故障時(shí)的特征頻率，為后文的設(shè)計(jì)打下基礎(chǔ)。第三章：對(duì)本次設(shè)計(jì)所使用的主要算法進(jìn)行列詳細(xì)的介紹，介紹內(nèi)容包括算法的理論基礎(chǔ)和實(shí)際參數(shù)設(shè)置過程，本章首次提出了故障特征率的概念，并在此基礎(chǔ)上分析了M、T、F與故障特征率之間存在的關(guān)系，通過分析對(duì)解卷積計(jì)算結(jié)果有效性的影響做出了較為全面的判斷，這三個(gè)數(shù)字符號(hào)在文中分別代表列位移步長(zhǎng)、解卷積周期、濾波器長(zhǎng)度。在確定步長(zhǎng)越小峭度越大后，確定步長(zhǎng)為1，然后利用粒子群優(yōu)化算法根據(jù)故障特征比尋找解卷積周期T和濾波器長(zhǎng)度F的最佳組合。第四章：對(duì)實(shí)驗(yàn)所需的器材、實(shí)驗(yàn)的步驟進(jìn)行介紹。主要包括信號(hào)采集、信號(hào)分析和信號(hào)診斷過程。在信號(hào)的處理和分析過程中使用到了粒子群優(yōu)化算法，對(duì)其進(jìn)行介紹。利用該算法對(duì)最優(yōu)的濾波器長(zhǎng)度和解卷積周期數(shù)進(jìn)行搜索，然后對(duì)數(shù)據(jù)進(jìn)行處理。同時(shí)對(duì)隨機(jī)參數(shù)下最大峭度解卷積算法和最優(yōu)參數(shù)下最大相關(guān)峭度積算法的處理效果進(jìn)行比較，以此來驗(yàn)證粒子群優(yōu)化算法的效果。結(jié)果表明，粒子群優(yōu)化算法對(duì)信號(hào)的分析更加準(zhǔn)確有效。鼓風(fēng)機(jī)軸承故障診斷基礎(chǔ)鼓風(fēng)機(jī)軸承基本介紹定義鼓風(fēng)機(jī)軸承（rollingbearing）是將處于運(yùn)轉(zhuǎn)狀態(tài)下的軸跟軸承座之間產(chǎn)生的滑動(dòng)摩擦轉(zhuǎn)變?yōu)闈L動(dòng)摩擦的機(jī)械元件，能夠有效的減少摩擦損失。結(jié)構(gòu)組成軸承一般由四個(gè)部分組成分別是內(nèi)外圈、鋼珠和保持架，一般軸承的內(nèi)圈會(huì)直接與軸相連接，從而減小摩擦力。由于滾動(dòng)摩擦的摩擦力小于滑動(dòng)摩擦，所以人們使用軸承來降低機(jī)械零件之間的摩擦，這是軸承制造的基本原理。保持架的目的是為了增強(qiáng)軸承的穩(wěn)定性，確保鋼珠可以均勻的在內(nèi)外圈之間分布。軸承是鼓風(fēng)機(jī)的核心部件，通過軸承實(shí)現(xiàn)摩擦力的轉(zhuǎn)換從而提高鼓風(fēng)機(jī)的工作效率，使用軸承同時(shí)也減小了零部件之間的機(jī)械摩擦，提升了鼓風(fēng)機(jī)的使用壽命。一般情況下，內(nèi)圈與軸組裝在一起并隨軸旋轉(zhuǎn)。外圈通常裝有軸承孔或機(jī)械零件的外殼，起支撐的作用。保持架用來固定滾動(dòng)體位置，使其均勻的排列在內(nèi)、外圈之間，而滾動(dòng)體的主要作用是把內(nèi)，外圈間的滑動(dòng)摩擦轉(zhuǎn)化為滾動(dòng)摩擦。在機(jī)械設(shè)備運(yùn)行過程中，鼓風(fēng)機(jī)軸承可能會(huì)由于材質(zhì)不當(dāng)、潤(rùn)滑不良、過載過大或銹蝕等因素而發(fā)生破壞。但即使軸承在安裝和潤(rùn)滑環(huán)節(jié)不存在缺陷，經(jīng)過長(zhǎng)時(shí)間的工作，軸承還是會(huì)出現(xiàn)裂紋、剝落、點(diǎn)蝕、磨損等現(xiàn)象，從而影響到整個(gè)機(jī)械設(shè)備的正常運(yùn)行。軸承具體的結(jié)構(gòu)圖如圖2-1所示。圖STYLEREF1\s21軸承的典型結(jié)構(gòu)如圖2-1所示，其中：D——軸承節(jié)徑（mm）D——滾動(dòng)體直徑（mm)——內(nèi)圈滾道半徑(mm)——外圈滾道半徑(mm)——接觸角軸承在工作過程中每個(gè)部分產(chǎn)生的振動(dòng)頻率存在差異，頻率的差異規(guī)律通常是振動(dòng)頻率越往內(nèi)越小。為了進(jìn)行對(duì)比試驗(yàn)需要得到無損狀態(tài)下軸承各部的工作頻率，可以利用下列公式[10]進(jìn)行計(jì)算： （2-1）式中：E-材料的彈性模量（MPa）；I—圓環(huán)中性軸截而二次矩（）G—重力加速度（）—材料密度（）A—圓環(huán)的截而積（）D—圓環(huán)中性軸直徑（）N—節(jié)線數(shù)（變形波）。鼓風(fēng)機(jī)軸承的故障特征頻率的計(jì)算由于軸承故障的原因以及表現(xiàn)形式的多樣性，為了更好的進(jìn)行故障對(duì)比，需要對(duì)不同故障的特征頻率進(jìn)行計(jì)算并記錄，作為對(duì)比的數(shù)據(jù)，本次計(jì)算的故障前提是鋼珠未產(chǎn)生位移，軸承整體未受到超過載荷的力的作用而產(chǎn)生形變，其他部分均為產(chǎn)生相對(duì)位移，在這種狀態(tài)下，通過下列公式對(duì)軸承各部分特征頻率進(jìn)行表示[11-12]：1）內(nèi)圈旋轉(zhuǎn)頻率 （2-2）2）單個(gè)滾動(dòng)體與保持架通過內(nèi)圈上一點(diǎn)的頻率 （2-3）Z個(gè)滾動(dòng)體通過內(nèi)圈上的一點(diǎn)的頻率 （2-4）3）單個(gè)滾動(dòng)體與保持架通過外圈上的一點(diǎn)的頻率 （2-5）Z個(gè)滾動(dòng)體通過外圈上的一點(diǎn)的頻率 （2-6）4）滾動(dòng)體上的某點(diǎn)通過內(nèi)圈或外圈的頻率 （2-7）5）保持架的故障特征頻率 （2-8）鼓風(fēng)機(jī)軸承的主要故障類型（1）表面點(diǎn)蝕。在鼓風(fēng)機(jī)軸承不斷工作的同時(shí)會(huì)使機(jī)械產(chǎn)生疲勞，鋼珠在滾道中持續(xù)不斷地保持高速運(yùn)動(dòng)，表面的載荷會(huì)產(chǎn)生接觸應(yīng)力，接觸應(yīng)力不斷的作用使機(jī)械表面產(chǎn)生一定的疲勞度，當(dāng)疲勞度超過一定的限制后會(huì)對(duì)機(jī)械表面造成損傷，這是零件表面產(chǎn)生細(xì)微裂紋的重要原因。但是在制造軸承時(shí)人們選擇的材料一般會(huì)具有較高的強(qiáng)度，高強(qiáng)度的軸承材料使得微裂紋難以大范圍的擴(kuò)展，因此只能在一個(gè)點(diǎn)不斷的加深，最終在表面引起點(diǎn)蝕，也就是常說的疲勞點(diǎn)蝕。任由疲勞點(diǎn)蝕發(fā)展，甚至?xí)?dǎo)致軸承表面出現(xiàn)剝落、凹坑的現(xiàn)象；在這種情況下繼續(xù)工作會(huì)導(dǎo)致剝落面積增加。疲勞點(diǎn)蝕使軸承表面的載荷分布不均，從而產(chǎn)生沖擊載荷，這也是軸承異常振動(dòng)和噪聲的主要原因之一。疲勞點(diǎn)蝕是所有的軸承都無法避免的。（2）表面磨損。軸承在工作過程中各零部件表面產(chǎn)生接觸，接觸就會(huì)導(dǎo)致零件出現(xiàn)磨損，正常狀況下磨損是一個(gè)非常漫長(zhǎng)的進(jìn)程，但是當(dāng)設(shè)備之間的潤(rùn)滑失效或者由周圍環(huán)境不潔所產(chǎn)生雜質(zhì)附著在設(shè)備的工作表面也會(huì)加快這一進(jìn)程，從而導(dǎo)致設(shè)備的磨損加劇。磨損會(huì)導(dǎo)致表面的摩擦力增大引起更大的磨損，也會(huì)導(dǎo)致零件之間的接合出現(xiàn)縫隙，使零件的精度受到影響。同時(shí)它也是軸承異常振動(dòng)和噪聲的主要原因之一。（3）表面膠合。軸承的表面膠合是一種表面狀態(tài)的形容，具體指零件表面在環(huán)境的影響下附著其它零件的金屬材料表面，這種狀況發(fā)生的原因通常是零件過度缺乏潤(rùn)滑以及高強(qiáng)度的工作帶來的高溫，高溫會(huì)使零件表面的金屬發(fā)生一定的融化從而附著到另一個(gè)表面之上，表面膠合狀態(tài)較輕時(shí)只會(huì)發(fā)生輕度的粘結(jié)，通常表現(xiàn)為金屬表面出現(xiàn)擦痕，當(dāng)情況較為嚴(yán)重時(shí)軸承處于完全不能工作狀態(tài)，對(duì)于零部件來說膠合是一種極為嚴(yán)重的損害。(4)構(gòu)造斷裂。部件開裂，斷裂是機(jī)械軸承最危險(xiǎn)的失效形式，造成這種失效的主要原因包括軸承材料強(qiáng)度低、熱處理不當(dāng)、超負(fù)荷運(yùn)轉(zhuǎn)；除此之外，下列情況也會(huì)引起構(gòu)造斷裂，錯(cuò)誤的裝配、不合理的軸承設(shè)計(jì)或各種原因造成的潤(rùn)滑性能不足等。(5)腐蝕。腐蝕是由水侵入軸承部件產(chǎn)生的化學(xué)反應(yīng)引起的。由于金屬的表面溫度較低，處于休息狀態(tài)的設(shè)備軸承表面同空氣中的水蒸汽存在溫差，會(huì)使其發(fā)生凝結(jié)形成小水滴并附著在軸承表面，若不注意保養(yǎng)，環(huán)境中其他會(huì)與水發(fā)生化學(xué)反應(yīng)的物質(zhì)會(huì)與設(shè)備表面接觸，形成化學(xué)腐蝕。使金屬表面生銹，嚴(yán)重時(shí)甚至?xí)?dǎo)致表皮脫落，從而導(dǎo)致增大設(shè)備面之間的摩擦力。(6)電蝕作用。鼓風(fēng)機(jī)在工作過程中需要線路供電，且電流較大，當(dāng)電流的強(qiáng)度超出一定限制會(huì)對(duì)設(shè)備產(chǎn)生放電。高能的電流會(huì)擊穿潤(rùn)滑脂的保護(hù)膜形成高溫，高溫導(dǎo)致金屬表面發(fā)生融化，使設(shè)備出現(xiàn)融焊現(xiàn)象。電蝕嚴(yán)重時(shí)會(huì)在軸承金屬表面形成電流凹坑，增大設(shè)備面之間的摩擦力，對(duì)設(shè)備產(chǎn)生破壞。(7)塑性變形。當(dāng)設(shè)備在低速運(yùn)行時(shí)，軸承會(huì)產(chǎn)生間歇性的振蕩，這種振蕩的原因使設(shè)備產(chǎn)生不可逆的塑性變形。從力學(xué)角度講不可逆塑性變形的主要產(chǎn)生原因是設(shè)備承受的擠壓應(yīng)力超過了設(shè)備可以承受的極限；同時(shí)當(dāng)零件溫度超出設(shè)備可以承受的溫度極限時(shí)也會(huì)產(chǎn)生塑性變形；硬度大于設(shè)備本身制作材料的細(xì)小物體進(jìn)入軸承內(nèi)部并伴隨軸承運(yùn)動(dòng)，會(huì)在軸承表面形成劃痕，嚴(yán)重時(shí)也會(huì)造成軸承永久塑性變形。鼓風(fēng)機(jī)軸承振動(dòng)信號(hào)的包絡(luò)譜分析包絡(luò)譜分析是目前用于軸承、齒輪箱和渦輪機(jī)葉片故障診斷的主要工具之一。在使用包絡(luò)譜分析時(shí)不能單獨(dú)使用，要完成分析任務(wù)，還需要使用一個(gè)重要工具，它就是希爾伯特變換包絡(luò)解調(diào)法。希爾伯特變換包絡(luò)解調(diào)法的主要過程是對(duì)原始信號(hào)進(jìn)行希爾伯特變換，得到一個(gè)新的信號(hào)，這就是解析信號(hào)，之后再利用傅立葉變換，分析后的信號(hào)的振幅需要作為包絡(luò)信號(hào)使用。原始信號(hào)的包絡(luò)分析是通過上述操作實(shí)現(xiàn)的。希爾伯特算法備受各領(lǐng)域?qū)W者和工程師的青睞，這是因?yàn)樗哂薪鉀Q以往算法復(fù)雜程度高的問題的能力[13-14]。希爾伯特變換簡(jiǎn)單易行的算法和效果顯著的包絡(luò)譜分析也被深入應(yīng)用于機(jī)械零件振動(dòng)信號(hào)分析的故障診斷中，這在一定程度上促進(jìn)了工業(yè)制造業(yè)的進(jìn)步。利用希爾伯特對(duì)原始信號(hào)進(jìn)行變換轉(zhuǎn)換后通過下列公式定義： （2-9）進(jìn)過希爾伯特變換后的虛部通過上述公式進(jìn)行整理可以得到一個(gè)新的解析信號(hào) （2-10）上式中為解析信號(hào)，為它的的包絡(luò)通過下列公式對(duì)其進(jìn)行定義 （2-11）由于信號(hào)在傳輸?shù)倪^程中難以避免的會(huì)被干擾，就是人們常說的噪聲，它會(huì)導(dǎo)致信號(hào)的表達(dá)受到影響，通過包絡(luò)譜分析的方法就可以將有價(jià)值的振動(dòng)信號(hào)進(jìn)行重點(diǎn)分析，從而找到故障狀態(tài)下的設(shè)備頻率特征并對(duì)其進(jìn)行特征提取，這種分析方法在鼓風(fēng)機(jī)軸承振動(dòng)信號(hào)的分析中取得了顯著的成效。在鼓風(fēng)機(jī)軸承故障的診斷過程中，需要先進(jìn)行鼓風(fēng)機(jī)軸承振動(dòng)信號(hào)的分析，通過系統(tǒng)分析對(duì)鼓風(fēng)機(jī)軸承的故障特征頻率進(jìn)行提取，然后用希爾伯特變換分析所有振動(dòng)信號(hào)的包絡(luò)譜，并將包絡(luò)譜峰值的對(duì)應(yīng)頻率與軸承的故障特征頻率進(jìn)行比較，根據(jù)比較結(jié)果的相似性和差異性確定設(shè)備故障的原因[15]?，F(xiàn)實(shí)的工作中由于設(shè)備環(huán)境的復(fù)雜，存在諸多干擾因素，容易導(dǎo)致收集的信號(hào)失真，從而影響最終的判斷結(jié)果，為此必須要對(duì)環(huán)境中無價(jià)值的噪聲信號(hào)進(jìn)行濾除，并從中篩選出有價(jià)值的信號(hào)進(jìn)行特征提取，這一過程僅依靠希爾伯特變換得到的包絡(luò)譜難以實(shí)現(xiàn)。為了提高故障分析系統(tǒng)對(duì)故障判斷的準(zhǔn)確率，不僅要濾除無價(jià)值的信號(hào)，還需要對(duì)有價(jià)值的信號(hào)進(jìn)行篩選，將篩選之后的信號(hào)進(jìn)行包絡(luò)分析，可以最大程度的提升系統(tǒng)的準(zhǔn)確度。基于此本次設(shè)計(jì)提出了關(guān)于原始信號(hào)的最大峰度解卷積處理法。包絡(luò)譜和頻譜直接觀感上(振幅和頻率)是一樣的，只是表達(dá)出的信息不同。包絡(luò)譜對(duì)沖擊力的變化比較敏感，對(duì)沖擊的強(qiáng)度和頻率進(jìn)行量化對(duì)振動(dòng)信號(hào)的分析是十分重要的，超出規(guī)定范圍的沖擊力一般會(huì)表明有故障。對(duì)軸承振動(dòng)信號(hào)的分析是包絡(luò)譜分析的主要應(yīng)用。本章小結(jié)本章的主要內(nèi)容是介紹鼓風(fēng)機(jī)軸承振動(dòng)產(chǎn)生的基本成分和各種特征頻率的計(jì)算以及包絡(luò)譜的基本原理，為下面的鼓風(fēng)機(jī)軸承故障特征提取和診斷奠定理論基礎(chǔ)。最大相關(guān)峭度解卷積算法的基礎(chǔ)理論與優(yōu)化最大相關(guān)峭度解卷積算法是麥克唐納[16]等人在二零一二年首次提出的，該算法一經(jīng)提出就引起巨大的反響，這種算法具有對(duì)弱信號(hào)顯著的凸顯能力，同時(shí)應(yīng)用了相關(guān)峭度作為該算法在分析振動(dòng)信號(hào)時(shí)的評(píng)價(jià)標(biāo)準(zhǔn)。原始振動(dòng)信號(hào)的影響存在周期性，而MCKD算法的優(yōu)點(diǎn)是針對(duì)其特性展開關(guān)于影響的分析，將分析結(jié)果進(jìn)行解卷積計(jì)算，需要注意的是此時(shí)會(huì)用到迭代的方法。這種算法對(duì)弱信號(hào)具有顯著的凸顯能力，對(duì)于環(huán)境噪聲具有較強(qiáng)的抗干擾能力，在鼓風(fēng)機(jī)軸承故障診斷中，人們就已將最相關(guān)峭度解卷積算法作為強(qiáng)有效的工具來使用。本次設(shè)計(jì)在鼓風(fēng)機(jī)軸承振動(dòng)信號(hào)分析和故障診斷中依據(jù)前人的經(jīng)驗(yàn)，設(shè)計(jì)了加入?yún)?shù)優(yōu)化后MCKD算法的故障診斷系統(tǒng)。最大相關(guān)峭度解卷積基本原理為了方便計(jì)算將零均值信號(hào)通過數(shù)字符號(hào)進(jìn)行表達(dá)并列出和其存在關(guān)聯(lián)的峭度函數(shù)表達(dá)式，具體如下，下式中T為自變量參數(shù)的周期: （3-1）通過分析上述公式存在的函數(shù)關(guān)系可知，當(dāng)相關(guān)峭度等于峭度時(shí)周期參數(shù)T數(shù)值為0，峭度極其容易被信號(hào)中異于平常的脈沖所干擾，但相關(guān)峭度盡最大限度衡量了沖擊成分的連續(xù)性，相對(duì)于峭度而言更強(qiáng)調(diào)脈沖的周期性。綜上所述，相關(guān)峭度能更精準(zhǔn)的測(cè)出信號(hào)中含有的特定周期的脈沖序列所占比重。對(duì)進(jìn)行假設(shè)，假設(shè)其是一個(gè)沖擊信號(hào)，對(duì)進(jìn)行假設(shè)，假設(shè)其是一個(gè)實(shí)測(cè)信號(hào)，通過路徑和周圍環(huán)境時(shí)傳輸衰減后的響應(yīng)，下列公式對(duì)該過程進(jìn)行表達(dá): （3-2）對(duì)進(jìn)行假設(shè)，假設(shè)其是一個(gè)噪聲，為了便于計(jì)算不將其納入考慮范圍之內(nèi)，此時(shí)MCKD通過將信號(hào)輸出從而使輸入信號(hào)得到恢復(fù)，這個(gè)過程如下式所示: （3-3）T在中是長(zhǎng)度為L(zhǎng)的濾波器系數(shù)。本次設(shè)計(jì)使用信號(hào)的相關(guān)峰度作為最大相關(guān)峭度算法的評(píng)價(jià)指標(biāo)，為了在MCKD算法的結(jié)果中顯示連續(xù)的尖銳脈沖，最大相關(guān)峭度算法以作為評(píng)價(jià)標(biāo)準(zhǔn)，將相關(guān)峭度的優(yōu)化結(jié)果作為最終的結(jié)果，從而達(dá)到連續(xù)尖脈沖在MCKD算法結(jié)果中可以明顯的顯示的目的。如下式所示: （3-4）由式（3）和式（4）可得到如下式: （3-5）上述尋優(yōu)問題等于求解如下方程: （3-6）上式方程用矩陣的形式表述為: （3-7）其中： 整理式（3-7）可得: （3-8）由于已知： （3-9）最終的濾波器系數(shù)可通過式子（10）獲得: （3-10）將最終濾波器系數(shù)代入式子（3-3），獲得實(shí)際采集信號(hào)的解卷積信號(hào)最大相關(guān)峭度解卷積方法參數(shù)設(shè)置分析根據(jù)軸承外圈早期弱故障模擬信號(hào)的模型，通過生成軸承故障模擬信號(hào)，將最大相關(guān)峭度解卷積算法應(yīng)用于軸承外圈故障模擬信號(hào)的分析和研究。軸承外圈故障模擬信號(hào)的構(gòu)造表達(dá)式為： （3-11）其中，為幅值為1的周期性脈沖成分，衰減系數(shù)設(shè)定為700，共振頻率設(shè)定為2000Hz,轉(zhuǎn)頻為25Hz，外圈故障特征頻率設(shè)為31.25Hz，為第次沖擊相對(duì)于特征周期的微小波動(dòng)。為單位階躍函數(shù)，為高斯噪聲，噪聲強(qiáng)度0.5，采樣頻率為20000Hz，分析點(diǎn)數(shù)為4096。仿真信號(hào)時(shí)域和頻域如圖3-1和圖3-2所示，加噪信號(hào)的時(shí)域和頻域如圖3-3和圖3-4所示，從這四張圖中可以明顯看出純信號(hào)中原有的周期性沖擊成分完全被強(qiáng)噪聲所掩蓋沒有規(guī)律性。加噪信號(hào)經(jīng)過最大相關(guān)峭度解卷積后，由圖3-5，可以清晰的看到外圈故障基頻及其2倍頻突出，說明MCKD對(duì)于軸承微弱特征提取是有效的。圖3.1軸承仿真信號(hào)時(shí)域圖圖3.2軸承仿真信號(hào)頻域圖圖3.3加噪后軸承仿真信號(hào)時(shí)域圖圖3.4加噪后軸承仿真信號(hào)時(shí)域圖圖3.5信號(hào)經(jīng)過最大相關(guān)峭度解卷積后的包絡(luò)譜在使用最大相關(guān)峰度對(duì)信號(hào)進(jìn)行反褶積處理時(shí)，存在三個(gè)主要的影響因素，分別是位M、T、F，這三者所代表的含義分別是移步長(zhǎng)、反褶積周期和濾波器長(zhǎng)度。下文內(nèi)容將為這三個(gè)自定義參數(shù)制定相應(yīng)的優(yōu)化標(biāo)準(zhǔn)，標(biāo)準(zhǔn)將參考故障特征進(jìn)行制定。斷層特征比值和最大峰度反褶積二者之間存在正相關(guān)關(guān)系。先進(jìn)行初始數(shù)值的設(shè)定，將M、T、F分別設(shè)為、1、100和150。在初始數(shù)值設(shè)定的前提下，將故障特征比取值為0.2487。故障特征比在反褶積周期和濾波器長(zhǎng)度保持初始給定值的前提下，對(duì)其從1到6的位移階躍值進(jìn)行計(jì)算，計(jì)算結(jié)果在表3-1中進(jìn)行展示。從該表的數(shù)據(jù)可以看出，當(dāng)位移步長(zhǎng)為1時(shí)，故障特征比的數(shù)值要比其他數(shù)值大得多，所以為了使最大相關(guān)峭度解卷積算法發(fā)揮最佳效果，固定位置移位步長(zhǎng)的取值為1；固定位置移位步長(zhǎng)為1，反卷積周期是初始故障特征比取值與濾波器長(zhǎng)度關(guān)系的初始參數(shù)，具體的如表3-2所示。通過該表可知濾波器長(zhǎng)度與故障特征比之間不存在明顯的聯(lián)系；當(dāng)位置移位步長(zhǎng)為1，濾波器長(zhǎng)度為初始給定參數(shù)，故障特征比的取值與反褶積周期的關(guān)系如表3-3所示。通過該表可知反褶積周期與斷層特征率之間不存在明顯的聯(lián)系。通過上文可知，當(dāng)位移步長(zhǎng)M為1時(shí)，故障特征比最大，最大相關(guān)峭度解卷積處理效果最好，由于濾波長(zhǎng)度和解卷積周期存在不確定性，需要進(jìn)一步優(yōu)化F和T。表STYLEREF1\s3-SEQ表\*ARABIC\s11位移M與故障特征比的關(guān)系位移步長(zhǎng)M123456故障特征比0.24870.24870.24880.24870.24870.2489表STYLEREF1\s3-SEQ表\*ARABIC\s12濾波器長(zhǎng)度F與故障特征比的關(guān)系濾波器長(zhǎng)度F220100200300400故障特征比0.24920.26810.24870.26350.29330.2669表STYLEREF1\s3-SEQ表\*ARABIC\s13解卷積周期T和故障特征比的關(guān)系解卷積周期T50100150200250300故障特征比0.23720.24480.24870.15250.33230.3421粒子群優(yōu)化由3.1可知，濾波器長(zhǎng)度和解卷積周期對(duì)MCKD算法的處理結(jié)果有重要影響，但這兩個(gè)參數(shù)的具體數(shù)值尚不清楚。因此，只要能找到這兩個(gè)參數(shù)的最優(yōu)值，就能獲得最佳的處理結(jié)果。本文采用遺傳算法（GA）對(duì)這兩個(gè)參數(shù)進(jìn)行優(yōu)化，找到故障特征率最大時(shí)的最優(yōu)參數(shù)。粒子群算法是當(dāng)前最新的在種群行為基礎(chǔ)上優(yōu)化并對(duì)尋優(yōu)目標(biāo)進(jìn)行確定的一種仿生類進(jìn)化算法，與人工生命，尤其是遺傳算法、優(yōu)化策略間存在特殊關(guān)系，粒子群算法的本質(zhì)是在群智能理論基礎(chǔ)上的一種隨機(jī)全局優(yōu)化算法，其優(yōu)勢(shì)在于全局搜索能力強(qiáng)、魯棒性高，可解決神經(jīng)網(wǎng)絡(luò)上的各種弊端。因此，國(guó)內(nèi)外專家選擇結(jié)合神經(jīng)網(wǎng)絡(luò)與粒子群算法方式對(duì)目標(biāo)識(shí)別進(jìn)行研究分析。這三個(gè)原則的約束性對(duì)群體中的任何移動(dòng)物體均有效。在Bold模型的幫助下，Kennedy與Eberhart兩位學(xué)者在1995年對(duì)鳥類覓食行為模擬，下列是假設(shè)所處的環(huán)境：一片樹林中鳥群正在隨機(jī)尋找食物，將本區(qū)域內(nèi)的食物數(shù)量設(shè)為唯一，且覓食開始之前所有的鳥均不清楚食物的位置，而清楚哪只小鳥與食物間的距離最短，可利用該條件明確每只鳥最初查找食物的具體方向。粒子群優(yōu)化算法是在該模型基礎(chǔ)上經(jīng)過發(fā)展形成，主要在處理上述優(yōu)化問題時(shí)使用。在此把鳥類覓食過程作為一種優(yōu)化問題，所有鳥都是處理問題的一個(gè)解，而食物就是搜索過程中得到的最優(yōu)解，面對(duì)的優(yōu)化問題就是小鳥尋找食物的過程。利用優(yōu)化函數(shù)即可對(duì)個(gè)體適應(yīng)度值進(jìn)行確定，然后使用適應(yīng)度值對(duì)其質(zhì)量高低進(jìn)行判斷，所有粒子根據(jù)下面的幾個(gè)信息來修正它們下一步的飛行方向和距離。（1）：將數(shù)值完成初始化，假定粒子運(yùn)行速度最大與最小分別由、表示，在區(qū)間內(nèi)隨機(jī)產(chǎn)生每個(gè)粒子的速度，然后設(shè)置初始慣性權(quán)重，學(xué)習(xí)因子和，同時(shí)還有具體迭代次數(shù)與種群規(guī)模大小。（2）：根據(jù)要求明確粒子全局極值與個(gè)體極值，可以通過求出粒子最佳適應(yīng)度完成，并對(duì)全部的粒子i進(jìn)行適應(yīng)度值與個(gè)體最優(yōu)值的比對(duì)，如果，則，并記錄當(dāng)前最好粒子的位置；對(duì)于每個(gè)粒子i，將其適應(yīng)度值與全局最優(yōu)值相比，如果，則，對(duì)目前全局最優(yōu)位置進(jìn)行保存與記錄。（3）：通過下列公式對(duì)粒子的速度和位置進(jìn)行更新：（3-12）（3-13）（4）：若結(jié)果符合要求即刻終止迭代，并輸出最優(yōu)值，反之需要向上一步跳轉(zhuǎn)。適應(yīng)度函數(shù)：故障特征比值法在對(duì)反褶積處理結(jié)果進(jìn)行優(yōu)化時(shí)，人們常用到故障特征比法[18]，這種方法通過準(zhǔn)確找到T和F的組合來結(jié)果優(yōu)化的目的，原理簡(jiǎn)單易懂。由于影響處理結(jié)果的參數(shù)存在組合，若是可以進(jìn)行適當(dāng)?shù)奶暨x，就可以使鼓風(fēng)機(jī)軸承的峰值故障特征頻率在頻譜中變得突出。由于包絡(luò)譜同樣需要遵循能量守恒原則，故障特征的振幅最大，因此故障特征頻率的能量比例也最大。假設(shè)鼓風(fēng)機(jī)軸承的故障特征頻率為f，軸承的運(yùn)行特性決定了故障頻率是周期性出現(xiàn)的。為了更準(zhǔn)確地表達(dá)故障特征，還應(yīng)同時(shí)考慮包絡(luò)譜的倍頻和二倍頻。因此，故障特征率可以下列公式進(jìn)行定義： （3-14）上述公式中故障特征頻率振幅平方的總和為E，包絡(luò)譜的總能量為E*。,故障信號(hào)在包絡(luò)譜中的幅值為，表示故障特征頻率的次諧波及其邊頻的振幅;本次設(shè)計(jì)只針對(duì)故障特征頻率的前三階進(jìn)行研究，通過下列公式進(jìn)行： （3-15）鼓風(fēng)機(jī)軸承的故障特征和特征頻率之間存在對(duì)應(yīng)性，即上述類型f，當(dāng)鼓風(fēng)機(jī)軸承發(fā)生故障時(shí)，很難人工確定故障類型。因此，在考慮了所有鼓風(fēng)機(jī)軸承的故障特征頻率后，提出并具體定義了故障特征比率： （3-16）根據(jù)上述公式，每個(gè)故障特征比都存在唯一的解卷積周期T和濾波器長(zhǎng)度F的相對(duì)組合。在取最大值時(shí)，對(duì)應(yīng)的解卷積周期T和濾波器大小F是最佳參數(shù)組合。基于粒子群優(yōu)化最大相關(guān)峭度解卷積的算法流程利用粒子群算法進(jìn)行尋優(yōu)運(yùn)算，制定詳細(xì)的優(yōu)化最大峭度解卷積算法流程圖，具體運(yùn)算流程如圖3-6所示，根據(jù)流程圖完成每一環(huán)節(jié)的運(yùn)算工作。圖STYLEREF1\s36優(yōu)化最大峭度解卷積算法流程圖一：對(duì)多個(gè)隨機(jī)粒子進(jìn)行初始化處理，假定種群規(guī)模大小為M，在給定區(qū)間內(nèi)隨機(jī)初始化粒子的位置和速度V，每個(gè)粒子的設(shè)為初始位置，中適應(yīng)度值最好的設(shè)為；二：對(duì)所有個(gè)體適應(yīng)度值求解；三：對(duì)比全部粒子的歷史最佳位置適應(yīng)度值、自身適應(yīng)度值，假如得到的結(jié)果顯示該適應(yīng)度值較為理想，可選擇該適應(yīng)度值為本粒子個(gè)體上最優(yōu)值，基于當(dāng)前位置對(duì)個(gè)體歷史最佳位置更新，反之不會(huì)發(fā)生變化；四：面向全部粒子對(duì)比自身適應(yīng)度值與群體上歷史最佳位置上的適應(yīng)度值進(jìn)行比較，若更好，則將其作為當(dāng)前的全局最好位置，反之未出現(xiàn)任何變化；五：結(jié)合公式（3-12）與（3-13）更新粒子位置與運(yùn)行速度；六：若取得的適應(yīng)度值達(dá)到最佳或者超過預(yù)期設(shè)定的最高迭代次數(shù)后將其帶入MCKD算法中分析，否則要向以上第二步返回；通常設(shè)定終止條件如下：（1）算法運(yùn)行到設(shè)定的最高迭代次數(shù)；（2）算法獲得一個(gè)理想的解；（3）次數(shù)固定的迭代上未找到改進(jìn)解；（5）目標(biāo)函數(shù)斜率趨近于0。本章小結(jié)本章主要講述了MCKD算法的基礎(chǔ)理論和相應(yīng)的參數(shù)優(yōu)化。由于最大相關(guān)峭度解卷積算法的有效性與準(zhǔn)確度與主觀選取的三個(gè)參數(shù)有關(guān)，因此分別討論了M,T,L三個(gè)參數(shù)對(duì)解卷積算法精準(zhǔn)度的影響，得到隨著步長(zhǎng)縮小峭度隨之在增大的結(jié)論。因此步長(zhǎng)為1時(shí)解卷積處理結(jié)果最佳，之后將粒子群算法的適應(yīng)度函數(shù)定義為故障特征比，尋求兩個(gè)參數(shù)F和T的最優(yōu)組合，使得經(jīng)過最大相關(guān)峭度解卷積后的信號(hào)在包絡(luò)譜上具有更加突出的故障特征。鼓風(fēng)機(jī)軸承故障實(shí)驗(yàn)信號(hào)分析實(shí)驗(yàn)裝置以及信號(hào)采集過程為了體現(xiàn)數(shù)據(jù)的可靠度，本次設(shè)計(jì)使用國(guó)外知名大學(xué)公布的軸承實(shí)驗(yàn)數(shù)據(jù)作為風(fēng)機(jī)軸承數(shù)據(jù)。試驗(yàn)需要使用到的具體的設(shè)備如下圖4-1所示。該實(shí)驗(yàn)裝置包括四個(gè)部分，分別是2馬力電機(jī)、扭矩傳感器/解碼器、功率表、電子控制裝置。整體的安裝布局安照從左至右的順序，其中電機(jī)的功率為1.5kW。本次設(shè)計(jì)選用了型號(hào)為SKF6205的電機(jī)軸支撐軸承作為測(cè)試對(duì)象。對(duì)其進(jìn)行電火花加工并造成軸承單點(diǎn)損壞，形成點(diǎn)蝕故障。本文采用內(nèi)外環(huán)故障數(shù)據(jù)如下，斷層直徑0.014英寸、斷層深度0.011英寸、由于使用國(guó)外的數(shù)據(jù)，與要對(duì)其進(jìn)行換算，按1英寸約2.54cm進(jìn)行換算得出二者的尺寸分別為1.016和0.02794，單位毫米，每秒采集12000次數(shù)據(jù)，采樣點(diǎn)設(shè)置為8,192個(gè)。軸的速度是每分鐘1470轉(zhuǎn)。風(fēng)機(jī)軸承的具體參數(shù)為：風(fēng)機(jī)軸承內(nèi)圈直徑、外圈直徑、厚度、滾動(dòng)體直徑、中徑分別為25、52、15、7.94、39.04，單位統(tǒng)一使用毫米。滾動(dòng)體個(gè)數(shù)和軸轉(zhuǎn)動(dòng)頻率分別為9個(gè)和24.5Hz。圖STYLEREF1\s4SEQ圖\*ARABIC\s11實(shí)驗(yàn)采集裝置在本實(shí)驗(yàn)中，將人工加工點(diǎn)蝕故障固定在軸承外圈固定位置，從而建立不同位置的的點(diǎn)蝕斷層，并對(duì)點(diǎn)蝕斷層的影響進(jìn)行定量研究，位置參考3、6和12點(diǎn)鐘三個(gè)位置。用于振動(dòng)分析的加速度信號(hào)是加速度傳感器通過磁座吸附在驅(qū)動(dòng)電機(jī)的軸承殼體和風(fēng)扇端上。通過對(duì)數(shù)據(jù)記錄器加速度信號(hào)進(jìn)行采集，采集過程中注意對(duì)頻率為48kHz的數(shù)據(jù)進(jìn)行采集。電機(jī)功率和轉(zhuǎn)軸轉(zhuǎn)速由扭矩傳感器/解碼器測(cè)量，后續(xù)的數(shù)據(jù)文件在Matlab中進(jìn)行處理。MCKD算法軸承故障診斷流程粒子群算法的尋求濾波器長(zhǎng)度和解卷積周期的最優(yōu)解時(shí)，通過初始化處理之后形成一定數(shù)量的隨機(jī)粒子，全局最優(yōu)解可以通過將粒子進(jìn)行多次迭代獲得，在進(jìn)行每次的迭代時(shí)，粒子會(huì)對(duì)自己進(jìn)行更新，通過選取兩個(gè)極值來實(shí)現(xiàn)更新，兩個(gè)值分別是個(gè)體極值和全局極值，個(gè)體極值是指粒子自身尋找獲得的最優(yōu)值，而全局極值是尋找種群獲得的最優(yōu)值，粒子群利用該極值搜索解空間上的最優(yōu)位置，在下文進(jìn)行詳細(xì)的流程介紹：1）：將數(shù)值完成初始化，并設(shè)置相應(yīng)的參數(shù)，完成設(shè)置后通過對(duì)參數(shù)的尋優(yōu)找到最大故障特征值所對(duì)應(yīng)的點(diǎn)。2）：根據(jù)要求明確粒子全局極值與個(gè)體極值，可以通過求出粒子最佳適應(yīng)度完成。3）：對(duì)所有粒子所在位置與速度進(jìn)行改變，判斷完成位置、速度改變的粒子是否處于規(guī)定的區(qū)間內(nèi)。4）：若結(jié)果符合要求即刻終止迭代，并對(duì)其進(jìn)行分析處理，反之需要一步跳轉(zhuǎn)。鼓風(fēng)機(jī)軸承實(shí)測(cè)信號(hào)分析本部分通過點(diǎn)蝕試驗(yàn)對(duì)鼓風(fēng)機(jī)軸承點(diǎn)蝕故障的信號(hào)進(jìn)行了分析，采集了驅(qū)動(dòng)端內(nèi)外環(huán)在不同載荷下的數(shù)據(jù)，并對(duì)兩組實(shí)驗(yàn)信號(hào)進(jìn)行了分析。綜合考慮，本文的重點(diǎn)研究對(duì)象是0.014英寸的斷層直徑。鼓風(fēng)機(jī)軸承內(nèi)圈實(shí)測(cè)信號(hào)分析對(duì)加速度傳感器從驅(qū)動(dòng)端內(nèi)圈采集的信號(hào)進(jìn)行故障分析，具體參數(shù)如下，載荷1馬力，大約電機(jī)轉(zhuǎn)速為1470轉(zhuǎn)/秒，采集樣品頻率為12000Hz，點(diǎn)數(shù)為8192，轉(zhuǎn)頻24.5Hz，內(nèi)圈故障特征頻率132.92Hz。粒子群種群設(shè)置為10，進(jìn)化次數(shù)為50。利用粒子群算法得到的尋優(yōu)結(jié)果如圖4-2所示，從圖4-2中，可以看到初始種群產(chǎn)生后代的代數(shù)與故障特征比的規(guī)律性之間的關(guān)系。由于粒子群追求的是結(jié)果的最小值，而故障特征比越大，信號(hào)分解效果越好，所以結(jié)果處的最小負(fù)值就是最大的故障特征比。最佳參數(shù)濾波器長(zhǎng)度F為137，解卷積周期為10，然后用最佳參數(shù)對(duì)信號(hào)進(jìn)行分析。圖STYLEREF1\s4SEQ圖\*ARABIC\s12粒子群算法的尋優(yōu)結(jié)果圖STYLEREF1\s4SEQ圖\*ARABIC\s13原始信號(hào)波形圖-內(nèi)圈圖STYLEREF1\s4SEQ圖\*ARABIC\s14原始信號(hào)頻譜-內(nèi)圈圖STYLEREF1\s4SEQ圖\*ARABIC\s15原始信號(hào)包絡(luò)譜-內(nèi)圈從圖4-3、圖4-4以及圖4-5中可以看出：圖4-3中原始信號(hào)中混雜各種雜亂的沖擊信號(hào)，無法提取有效信息。而在圖4-5中雖然可以看到內(nèi)圈故障頻率突出，然而，其余的倍頻峰值顯然是雜亂無章的，受到噪聲的干擾，沒有相當(dāng)?shù)臅r(shí)間間隔，沒有規(guī)律。因此，不能依靠它來進(jìn)行準(zhǔn)確的故障診斷。由此得傳統(tǒng)的頻譜、包絡(luò)譜直接分析手段有時(shí)是無效的。由于最大相關(guān)峭度解卷積算法受到濾波器長(zhǎng)度和解卷積周期兩個(gè)參數(shù)的影響，處理結(jié)果受到主觀影響，下面以隨機(jī)參數(shù)F=100、T=150和粒子群算法找到的最優(yōu)參數(shù)F=137、T=10進(jìn)行對(duì)比。圖STYLEREF1\s4SEQ圖\*ARABIC\s16[100,150]參數(shù)組合信號(hào)波形圖圖STYLEREF1\s4SEQ圖\*ARABIC\s17[137,10]參數(shù)組合信號(hào)波形圖圖STYLEREF1\s4SEQ圖\*ARABIC\s18[100,150]參數(shù)組合信號(hào)頻譜圖圖STYLEREF1\s4SEQ圖\*ARABIC\s19[137,10]參數(shù)組合信號(hào)頻譜圖圖STYLEREF1\s4SEQ圖\*ARABIC\s110[100,150]參數(shù)組合信號(hào)包絡(luò)譜圖圖STYLEREF1\s4SEQ圖\*ARABIC\s111[137.10]參數(shù)組合信號(hào)包絡(luò)譜圖由上文得到了隨機(jī)參數(shù)和最優(yōu)參數(shù)，將二者進(jìn)行對(duì)比可以發(fā)現(xiàn)：(1)兩者的時(shí)域波形中都存在大量的雜波沖擊信號(hào)，但在最優(yōu)參數(shù)下，雜波影響明顯較小，且信號(hào)的周期性明顯增強(qiáng)。(2)如圖4-10所示：隨機(jī)參數(shù)的信號(hào)包絡(luò)譜特征不明顯，僅存在265.5Hz和528.1Hz兩個(gè)明顯的峰值且是故障的倍頻，基頻分量存在大量的噪聲干擾無法得出有價(jià)值的信息，因此隨機(jī)參數(shù)不能作為突出故障特征頻率的有限參數(shù)。由于無法獲取故障信息，不能對(duì)軸承進(jìn)行有效診斷。(3)從圖4-11最佳參數(shù)下的包絡(luò)譜可以清楚地看出：故障特征頻率的單頻峰值為131.3Hz、二次諧波峰值為265.6Hz、三次諧波峰值為396.9Hz。另外，從包絡(luò)譜中可以清晰地看到故障頻率的其他倍頻現(xiàn)象，進(jìn)一步驗(yàn)證了參數(shù)優(yōu)化MCKD對(duì)信號(hào)中微弱故障特征的較強(qiáng)提取能力。根據(jù)這些特征，就足以判斷軸承故障發(fā)生的位置。為了進(jìn)一步對(duì)其進(jìn)行驗(yàn)證，使用EMD算法對(duì)同一內(nèi)環(huán)故障信號(hào)進(jìn)行了處理，得到了時(shí)域、頻域和包絡(luò)譜。雖然可以看到故障倍頻的前三個(gè)峰值，但不如MCKD算法的包絡(luò)譜準(zhǔn)確。相對(duì)而言，在這種情況下，要想提升振動(dòng)信號(hào)分析和故障診斷的有效度，就需要使用MCKD算法進(jìn)行分析。圖STYLEREF1\s4SEQ圖\*ARABIC\s112EMD分解IMF分量時(shí)域圖圖STYLEREF1\s4SEQ圖\*ARABIC\s113EMD分解IMF分量頻域圖圖STYLEREF1\s414EMD算法包絡(luò)譜MCKD鼓風(fēng)機(jī)軸承外圈實(shí)測(cè)信號(hào)分析對(duì)鼓風(fēng)機(jī)軸承外圈實(shí)測(cè)信號(hào)進(jìn)行故障分析，這里需要通過加速度計(jì)采集相應(yīng)的信號(hào)，風(fēng)機(jī)軸承故障特征頻率為87.59Hz。將粒子群種群和進(jìn)化次數(shù)為分別設(shè)置為10和30。粒子群優(yōu)化算法的優(yōu)化結(jié)果如圖4-14所示：從圖中可知，第23代故障特征比最大為0.3935。最優(yōu)參數(shù)濾波器長(zhǎng)度F取值為50，反褶積周期為57，然后用最優(yōu)參數(shù)對(duì)信號(hào)進(jìn)行分析。圖STYLEREF1\s4SEQ圖\*ARABIC\s115粒子群算法的尋優(yōu)結(jié)果圖STYLEREF1\s416原始信號(hào)波形圖-外圈圖STYLEREF1\s4SEQ圖\*ARABIC\s117原始信號(hào)頻譜-外圈圖STYLEREF1\s418原始信號(hào)包絡(luò)譜-外圈同理內(nèi)圈，觀察以上三圖可得：從圖4-16中可見，原始信號(hào)中混雜著各種雜亂的沖擊信號(hào)，進(jìn)行有效信息的提取存在極大的難度。從圖4-18可以看到：包絡(luò)譜圖像中周期無法確定，峰值同樣難以準(zhǔn)確地得出，因此無法進(jìn)行有效，精準(zhǔn)的故障診斷。由于最大峰度解卷積算法受參數(shù)F，T的影響，處理結(jié)果具有不確定性。因此將隨機(jī)參數(shù)100和150與粒子群優(yōu)化算法得到的最優(yōu)參數(shù)進(jìn)行了比較。圖STYLEREF1\s419[100,150]參數(shù)組合信號(hào)波形圖圖STYLEREF1\s420[50,57]參數(shù)組合信號(hào)波形圖圖STYLEREF1\s4SEQ圖\*ARABIC\s121[100,150]參數(shù)組合信號(hào)頻譜圖圖STYLEREF1\s4SEQ圖\*ARABIC\s122[50,57]參數(shù)組合信號(hào)頻譜圖圖STYLEREF1\s4SEQ圖\*ARABIC\s123[100,150]參數(shù)組合信號(hào)包絡(luò)譜圖圖STYLEREF1\s4SEQ圖\*ARABIC\s124[50,57]參數(shù)組合信號(hào)包絡(luò)譜圖通過將隨機(jī)和最優(yōu)兩種參數(shù)進(jìn)行比較可知：(1)在這兩個(gè)時(shí)域波形中，都存在大量的假性沖擊信號(hào)，但最優(yōu)參數(shù)的抗干擾能力更強(qiáng)。（2）從圖4-23可以看出：隨機(jī)參數(shù)下的信號(hào)包絡(luò)譜只有幾個(gè)明顯的波峰，不能得到特征頻率，不能得出正確的故障診斷結(jié)論。（3）由最佳參數(shù)下包絡(luò)譜圖（圖4-24），可以清晰得到：前三個(gè)峰值分別為87.5Hz、178.1Hz、265.6Hz，大致對(duì)應(yīng)故障特征頻率的單倍頻、二倍頻、三倍頻。除此之外，故障頻率的其他倍頻也較為突出，可以在包絡(luò)譜上清晰的看出，也進(jìn)一步驗(yàn)證了參數(shù)優(yōu)化MCKD對(duì)信號(hào)中微弱的故障特征有很強(qiáng)的提取能力。根據(jù)這些特征，足以判斷軸承發(fā)生了內(nèi)圈故障。為進(jìn)一步說明方法有效性，用EMD算法對(duì)同樣的外圈故障信號(hào)進(jìn)行處理，得到的時(shí)域、頻域以及包絡(luò)譜如下，其中雖然可以看到前三個(gè)故障基頻及其倍頻的峰值，但不如MCKD算法包絡(luò)譜中對(duì)故障信息提取的更加精確。相比較而言，此種情況下，MCKD算法對(duì)振動(dòng)信號(hào)分析、故障診斷更加有效。圖STYLEREF1\s425EMD分解IMF分量時(shí)域圖圖STYLEREF1\s426EMD分解IMF分量時(shí)域圖圖STYLEREF1\s427EMD算法包絡(luò)譜本章小結(jié)這一部分介紹了實(shí)驗(yàn)過程，具體介紹了實(shí)驗(yàn)所使用設(shè)備的信號(hào)采集、分析和診斷過程。在搜索MCKD算法中濾波器長(zhǎng)度和解卷積周期的最佳值的過程中。使用了粒子群優(yōu)化算法的優(yōu)化特性，并將故障特征率為適應(yīng)度函數(shù)進(jìn)行算法的尋優(yōu)。為了驗(yàn)證最優(yōu)參數(shù)的效果，對(duì)一組隨機(jī)參數(shù)和最優(yōu)參數(shù)進(jìn)行了比較。結(jié)果表明，粒子群算法優(yōu)化后的MCKD算法在這組數(shù)據(jù)處理中效果最好。同樣，使用EMD算法對(duì)數(shù)據(jù)進(jìn)行分解，包絡(luò)譜中的故障特征不如MCKD優(yōu)化算法，故障特征提取的準(zhǔn)確性較差。結(jié)論本篇論文主要闡述了通過MCKD算法來對(duì)鼓風(fēng)機(jī)軸承進(jìn)行振動(dòng)信號(hào)分析，并在MCKD算法基礎(chǔ)上用粒子群算法進(jìn)行優(yōu)化，并與傳統(tǒng)