摘  要：冷軋機在高載荷運行下容易出現軸承故障損傷。為了提高軸承在復雜環境下的振動信號抗干擾能力，設計了一種基于ALIF和MCKD方法的軸承振動信號處理及故障診斷方法。對仿真信號與軸承信號開展測試，該方法滿足可靠性要求。研究結果表明：包絡譜能夠對100Hz故障特征與對應倍頻成分進行分析，對噪聲信號起到了明顯的抑制效果，能夠對故障信號進行準確提取。該研究有助于提高機械傳統系統的故障診斷能力，具有很高的市場推廣價值。

關鍵詞：軸承；故障診斷；自適應局部迭代濾波；相關峭度解卷積

0 引言

冷軋機設備在運行時，會在初期故障階段就產生微弱的特征信號，但容易受到背景噪聲覆蓋而無法被準確診斷。隨著故障程度的持續增大，***終將引起不可逆的破壞后果。因此，需要開發合適的故障檢測技術，對設備故障信號實現精確抓取[1-3]。EMD方法并未建立嚴密的數學推導公式，當信 號中產生奇異點時，便會引起模態混疊的結果。采用三次樣條插值方式進行處理時，也會出現欠擬合或者過擬合的問題，在噪聲環境中容易出現不穩定的變化特征[4] 。黃斯琪等[5] 開發了一種迭代濾波算法（IF），該算法采用與EMD一致的架構，通過低通濾波的方法建立上下包絡函數，再計算得到均值數據，用于故障診斷。鄧敏強等[6] 構建了FP微分表達式，在此基礎上設置基礎解系以實現IF算法的拓展運用，設計了一種可以能夠對局部函數進行自適應處理的迭代濾波方法（ALIF）。ALIF可以對非線性變化過程的波動信號進行高效處理，并對處理數據進行迭代濾波后得到IMF分量[7]。相對EMD方法，ALIF具備更強分解效率與模態混疊抑制效果，該算法具備更優的綜合性能。現階段，ALIF算法已在機械故障診斷方面獲得了大 量使用，通過ALIF與能量算子解調相結合的方式，提取出軸承故障的頻率特征值，大幅提升了故障診斷精度。

本文以冷軋機軸承運行狀態為研究對象，綜合運用ALIF與MCKD方法實現軸承故障診斷。仿真信號測試表明，該方法滿足可靠性要求。

1 基本理論介紹

1.1 自適應局部迭代濾波（ALIF）

ALIF算法是通過改進迭代濾波算法（IF）獲得的自適應分解算法。ALIF通常被用來構建FP微分方程，并以此建立具備自適應性能的濾波函數。因此，對ALIF算法原理進行分析前，應先深入了解IF算法的運行機制。

IF和EMD是兩種相近的算法，經過迭代計算，篩選得到相應的本征模態分量（IMF）。ALIF算法是利用濾波函數和待分解數據卷積處理的過程確定滑動算子，代替EMD算法的擬合計算包絡值過程。IF算法由內循環與外循環二個環節構成。

對于預處理信號X（t）與濾波函數f（t），可以根據X（t）與f（t）卷積結果獲得滑動算子Γ（X（t））：

式中：f（t）為固定低通濾波函數；h（z）為對應的濾波區間。

根據預處理信號X（t）相對滑動算子Γ（X（t））差值，得到波動算子K（X（t））：

分析波動算子K（X（t））是否能顧滿足IMF分量標準，將滿足標準要求的波動算子作為IMF分量。反之，將波動算子進行篩選處理。具體處理流程如下：

1）處理確定預處理信號濾波區間h（z）。

2）計算滑動算子Γ（X（t））。 

3）確定波動算子K（X（t））。 

篩選處理時的波動算子函數：

IMF（t）符合IMF分量標準的情況下，則提取出一次IMF分量。否則，跳轉至步驟1）繼續進行處理，直到滿足設定條件為止。

1.2 ALIF-MCKD軸承早期故障診斷方法

圖1為ALIF-MCKD軸承故障診斷的具體流程。

1）對振動信號ALIF分解形成IMF分量與相應殘余分量。

2）以相關系數與峭度相結合的方式，篩選得到敏感的IMF分量，再對其實施重構，完成降噪過程。

3）以MCKD算法提高對重構降噪信號的故障沖擊部分，然后，再計算包絡譜。

4）提取得到故障特征，并確定軸承故障發生部位。 

2 驗證ALIF-MCKD方法有效性

冷軋機經常出現不同形式的振動現象，主傳動系統加載負荷，會加劇振動發生的情況。本文在MSK-5070冷軋機上開展振動信號測試分析，現場照 片如圖2所示。

為了對ALIF與MCKD兩種算法結合的效果進行驗證，采用冷軋機軸承故障周期沖擊特征建立仿真信號，再開展仿真驗證，仿真信號表達式如下：

式中：x1（t）為故障造成的沖擊信號；n（t）為振幅1的噪聲；x（t）為對軸承故障見仿真測試獲得的信號；將位移常數設定為A1=2，軸承固有頻率fn=2000Hz，對應阻尼系數為ζ=0.1。

沖擊故障周期為T=0.01s，相當于特征頻率為f=100 Hz。以fs=20k Hz的頻率進行采樣，采樣數量為N=2048。圖3為仿真測試的時域波形。圖4為故障信號包絡譜，當受到環境噪聲影響后，并未形成明顯的故障特征，同時還會受到其余多種頻率干擾。

利用相關系數-峭度方法確定IMF1與IMF2，并完成重構降噪過程，利用MCKD算法實現重構信號的降噪，再以包絡譜完成解調分析，結果如圖5所示。利用ALIF與MCKD方法進行處理得到的包絡譜能夠對100Hz故障特征與對應倍頻成分進行分析，表明上述方法對噪聲信號起到了明顯的抑制效果，能夠對故障信號進行準確提取。

3 結論

本文開展基于ALIF+MCKD方法的冷軋機軸承振動故障信號處理分析，得到如下結果：

1）利用MCKD算法對重構信號進行降噪，再以包絡譜完成解調分析。

2）包絡譜能夠對100Hz故障特征與對應倍頻成分進行分析，對噪聲信號起到了明顯的抑制效果，能夠對故障信號進行準確提取。

【參考文獻】

[1]劉紅軍，魏旭陽.基于GADF與卷積神經網絡的軸承故障診斷研究[J].機電工程，2021，38（5）：587-591.

[2]楊旭，彭開香，羅浩，等.基于EEMD和SVM的冷軋機垂直振動相關故障的診斷[J].上海交通大學學報，2015，49（6）：751-756.

[3]袁林忠，陳寶薇，李焱華.冷軋機液壓故障診斷專家系統的關鍵技術研究[J].機床與液壓，2008，243（9）：160-162.

[4]李怡，李煥鋒，劉自然.基于CEEMDAN多尺度熵和SSA-SVM的軸承故障診斷研究[J].機電工程，2021，38（5）：599-604.

[5]黃斯琪，鄭近德，潘海洋，等.***大相關峭度反褶積與傅里葉分解方法相結合的滾動軸承故障診斷[J].機械科學與技術，2020，39 （8）：1 163-1 170.

[6]鄧敏強，鄧艾東，朱靜，等.基于BFD和MSCNN的風電滾動軸承智能故障診斷[J].東南大學學報（自然科學版），2021，51（3）：521-528.

[7]陳保家，汪新波，趙春華，等.基于自適應局部迭代濾波和能量算子解調的軸承故障特征提取[J].南京理工大學學報，2018，42 （4）：445-452.