声测法和EMD在轴承故障诊断中的应用

声测法和EMD在轴承故障诊断中的应用

邹煜 ,胡华映

乾元集成电路（武汉）有限公司  湖北 武汉 430073

摘要：过去几十年来，许多方法和技术被应用于轴承故障的诊断，其中声测法和经验模态分解（EMD）作为非侵入性和高效的技术逐渐受到了广泛关注。本文首先介绍了轴承故障的类型和影响，以及轴承故障诊断的重要性。然后详细介绍了声测法和EMD的原理和基本概念，分析了它们在轴承故障诊断中的优势和限制。接下来，探讨了声测法和EMD的结合在轴承故障诊断中的应用。

关键字：声测法；EMD；轴承故障诊断

轴承作为旋转机械中不可或缺的关键元件，其运行状态对机械设备的性能和寿命起着至关重要的作用。然而，由于工作环境的恶劣以及长期使用引起的磨损和负载变化，轴承常常会发生各种故障，如疲劳裂纹、滚珠损伤、润滑不良等。这些故障如果不能及时发现和诊断，将导致设备的停机、生产线的中断以及高昂的维修费用。因此，轴承故障诊断成为了工程领域中的一个重要研究课题。

一、轴承故障诊断概述

轴承故障诊断是通过监测和分析轴承运行过程中产生的信号和特征，以确定轴承是否存在故障以及故障的类型和严重程度。轴承故障会导致设备的停机、性能下降甚至设备损坏，因此准确、及时地进行故障诊断对于预防故障、优化维护计划和提高设备可靠性至关重要。轴承故障可分为几类，包括疲劳裂纹、滚珠损伤、润滑不良、内圈和外圈的表面损伤等。每种故障都会在轴承运行中产生独特的信号特征，如振动、声音和温度等。近年来，随着传感器技术和数据分析算法的发展，机器学习和深度学习等方法也被引入到轴承故障诊断中，提供了更准确和自动化的故障诊断能力。

二、声测法在轴承故障诊断中的应用

声测法在轴承故障诊断中被广泛应用，其基本原理是通过采集轴承产生的声音信号来判断轴承的工作状态和故障类型。声测法具有实时性强、非侵入性和灵敏度高等优点，在轴承故障的早期诊断和预防维护中发挥着重要作用。声测法的应用主要包括以下几个方面：

1. 声音信号分析：通过采集轴承发出的声音信号，对信号进行频谱分析、时域分析和波形分析等，以提取故障特征。不同类型的轴承故障会产生不同频率的声音分量，如滚珠故障产生的冲击声、滚道故障产生的周期性声音等，通过分析这些声音特征可以识别故障类型。

2. 特征提取与模式识别：在声音信号分析的基础上，利用信号处理和模式识别算法提取轴承故障的特征参数。常用的特征包括频谱峰值、频谱能量、谱峭度、峭度比、峰值指标等。通过建立故障模式库和使用分类算法，可以对轴承故障进行准确分类和诊断。

3. 故障预警与监测：声测法可以实时监测轴承的声音信号，并设置故障阈值，一旦超过阈值就会发出警报或触发维护操作。这有助于在故障发生之前及时采取预防措施，避免严重的设备故障和停机损失。

4. 故障定位与诊断：声测法不仅可以确定轴承是否存在故障，还可以帮助确定故障位置。通过在轴承周围布置多个声音传感器，可以利用声音的传播速度和时间差来定位故障位置，提高维修的精确性和效率。

三、经验模态分解（EMD）在轴承故障诊断中的应用

经验模态分解（EMD）在轴承故障诊断中也被广泛应用，并取得了良好的效果。EMD是一种基于信号自适应分解的方法，能够将复杂非线性信号分解为一系列本征模态函数（IMF），并提取信号中的局部特征和频率信息。EMD的应用主要包括以下几个方面：

1. 特征提取与分析：通过对轴承振动信号进行EMD分解，可以将信号分解为多个IMF分量。每个IMF分量代表了信号中不同频率和振动模式的成分，因此可以通过分析和提取IMF分量的特征参数，如振幅、频率、能量等，来诊断轴承的故障类型和严重程度。

2. 故障特征的时频分析：IMF分量具有时变特性，可以反映轴承振动信号的时频变化。通过对每个IMF分量进行时频分析，可以观察到故障特征在不同时间段的频率变化情况，有助于提取轴承故障的时频特征，进一步判断故障类型。

3. 故障诊断与故障模式识别：通过建立故障模式库，将不同类型的轴承故障对应的IMF特征参数进行训练和分类，可以实现对轴承故障的自动诊断和故障模式的识别。这有助于提高轴承故障诊断的准确性和效率。

4. 故障预测与预警：利用EMD分解得到的IMF分量，可以分析信号的动态变化趋势，预测轴承故障的发生时间，并提前发出警报或触发维护操作。这有助于采取及时的预防措施，避免设备故障和停机损失。

四、声测法与EMD的结合在轴承故障诊断中的应用

声测法与经验模态分解（EMD）的结合在轴承故障诊断中能够提供更全面、准确的信息，并增强故障诊断的效果。这种结合的应用可以充分利用声测法对声音信号的实时性和高灵敏度的特点，以及EMD对信号特征提取和时频分析的优势。声测法与EMD的结合在轴承故障诊断中的应用主要包括以下几个方面：

1. 多源信号融合：声测法可以采集到轴承产生的声音信号，而EMD可以对振动信号进行分解和分析。通过将声音信号和振动信号进行融合，可以获得更全面、多维度的故障特征信息。例如，可以将声音信号和振动信号分别进行EMD分解，并提取各自的IMF分量特征，然后将它们进行融合分析，从而更准确地判断轴承的故障类型和程度。

2. 故障特征增强：将声音信号与振动信号相结合，可以增强故障特征的提取和诊断能力。声音信号在某些故障类型中可能更为显著，而振动信号在其他故障类型中可能更具代表性。通过将两者相结合，可以弥补各自的不足，提高故障特征的可靠性和鲁棒性。

3. 故障定位与识别：结合声测法和EMD，可以实现对轴承故障的定位和识别。通过多个声音传感器和振动传感器的布置，可以利用声音信号和振动信号的时差和传播速度等信息，确定故障发生的位置。这对于维修人员进行精确的故障定位和维修操作非常有帮助。

4. 故障预测与健康监测：声测法与EMD的结合还可以用于轴承故障的预测和健康监测。通过实时采集和分析声音信号和振动信号，并结合故障模式识别算法和预测模型，可以提前预测轴承故障的发生，并进行预警和维护计划的制定。

五、结论

将声测法和EMD结合应用于轴承故障诊断中，可以提供更全面、准确的信息，并增强故障诊断的效果。声测法与EMD的结合可以实现多源信号融合，通过将声音信号和振动信号进行融合分析，获得更全面、多维度的故障特征信息。此外，声测法与EMD的结合还可以实现轴承故障的定位和识别，通过多个传感器的布置，利用声音信号和振动信号的时差和传播速度等信息，确定故障发生的位置。

参考文献：

[1]李军宁,罗文广,陈武阁, 面向振动信号的滚动轴承故障诊断算法综述[J]. 西安工业大学学报,2022,42(02):105-122.

[2]赵贺嘉,状态监测技术在滚动轴承故障诊断中的应用[J].中国石油和化工标准与质量，2020，36（18）：112-113.