基于时频图像的齿辊式破碎机中电机轴承故障特征提取方法.pdf

第4 3 卷增刊2 2 0 1 8 年1 2 月 煤炭学报 J O U R N A LO FC H I N AC O A LS O C I E T Y V 0 1 ．4 3 D e c ． S u p p ．2 2 0 1 8 移动阅读 邹雨君，田慕琴，乔建强，等．基于时频图像的齿辊式破碎机中电机轴承故障特征提取方法[ J ] ．煤炭学报， 2 0 1 8 ，4 3 S 2 6 2 3 6 3 3 ．d o i 1 0 ．1 3 2 2 5 ／j ．c n k i ，j C C S ．2 0 1 8 ．0 6 5 0 Z O UY u j u n ，T I A NM u q i n ，Q I A OJ i a n q i a n g ，e ta 1 ．B e a r i n gf a u l tf e a t u r ee x t r a c t i o no fr o l l e rc r a s h e rm o t o rb a s e do nt i m e f r e q u e n e yi m a g e [ J ] ．J o u r n a lo fC h i n aC o a lS o c i e t y ，2 0 1 8 ，4 3 S 2 6 2 3 6 3 3 ．d o i 1 0 ．1 3 2 2 5 ／j ．c n k i ．j e e s ．2 0 1 8 ．0 6 5 0 基于时频图像的齿辊式破碎机中电机轴承故障 特征提取方法 邹雨君1 ’2 ，田慕琴1 ’2 ，乔建强3 ，马兵3 ，宋建成1 ’2 ，张文杰1 ’2 1 ．太原理工大学煤矿电气设备与智能控制山西省重点实验室，山西太原0 3 0 0 2 4 ；2 ．太原理工大学矿用智能电器技术国家地方联合工程实验 室，山西太原0 3 0 0 2 4 ；3 ．太原重工股份有限公司，山西太原0 3 0 0 2 4 摘要齿辊式破碎机中实际运行中电机轴承的振动信号耦合严重，故障脉冲往往显得微弱，故障 识别难度大，特别是滚动体和内圈故障的区分。将图像纹理特征提取技术引入故障诊断，提出一种 基于时频图像的轴承故障特征提取方法。首先，将聚合经验模态分解 E n s e m b l eE m p i r i c a lM o d e D e c o m p o s i t i o n ，E E M D 加入W i g n e r - V i l l e 时频分析 W i g n e r - V i l l eD i s t r i b u t i o n ，W V D 中获得无交叉 项干扰的振动时频表征；其次，引入局部二值模式 L o c a lB i n a r yP a t t e r n s ，L B P 增强时频灰度图像纹 理特征，生成对应的L B P 谱图；接着，以L B P 灰度直方图作为特征量，压缩特征维数后利用主成分 分析法 P r i n c i p a lC o m p o n e n t sA n a l y s i s ，P C A 约减特征量；最后，将低维特征量输入B P 神经网络进 行故障分类。在轴承故障诊断实验中，通过和其他算法的对比分析验证了该方法具有较高的故障 识别精度，且9 9 ．5 ％的精度充分说明了方法有效性，为准确提取齿辊式破碎机中电机的轴承故障 特征提供了一种可靠手段。 关键词齿辊式破碎机；滚动轴承；E E M D W V D ；L B P ；灰度直方图 中图分类号T D 4 5 1文献标志码A文章编号0 2 5 3 - 9 9 9 3 2 0 1 8 2 - 0 6 2 3 - 11 B e a r i n gf a u l tf e a t u r ee x t r a c t i o no fr o l l e rc r u s h e rm o t o rb a s e d o nt i m e - f r e q u e n c yi m a g e Z O UY u j u n l 一，T I A NM u q i n l 一，Q I A OJ i a n q i a n 9 3 ，M Ab i n 9 3 ，S O N GJ i a n c h e n 9 1 一，Z H A N GW e n j i e l ，2 1 ．S h a n x iK e yL a b o r a t o r yo f M i n i n gE l e c t r i c a lE q u i p m e n ta n dI n t e l l i g e n tC o n t r o l ，T a i y u a nU n i v e r s i t yo f T e c h n o l o g y ，T a i y u a n0 3 0 0 2 4 ，C h i n a ；2 ．N a t i o n a l P r o v i n c i a lJ o i n tE n g i n e e r i n gL a b o r a t o r yo f M i n i n gI n t e U i g e n tE l e c t r i c a lA p p a r a t u JT e c h n o l o g y ，T a i y u a nU n i v e r s i t yo fT e c h n o l o g y ，T a i y u a n0 3 0 0 2 4 ，C h i n a ；3 ． T a i y u a nH e a v yI n d ∞t r yC o ．，L t d ．，T a i y u a n0 3 0 0 2 4 ，C h i n a A b s t r a c t T h ev i b r a t i o ns i g n a l so fr o l l i n gb e a r i n g si nt h ea c t u a lo p e r a t i o no f r o l l e rc r u s h e ra r es e r i o u s l yc o u p l e d ，a n d t h ef a u l tp u l s et e n d st ob ew e a k ．T h u s ，t h ef a u l ti d e n t i f i c a t i o nb e c o m e sd i f f i c u l t ，e s p e c i a l l y ，i nt h ef a u l td i s t i n g u i s hb e - t w e e nt h er o l l i n gb o d ya n dt h ei n n e rr i n g ．Af e a t u r ee x t r a c t i o nm e t h o do fb e a r i n gf a u l tb a s e do nt i m e - f r e q u e n c yi m a g e h a sb e e np u tf o r w a r db yi n t r o d u c i n gt h ei m a g et e x t u r ef e a t u r ee x t r a c t i o nt e c h n o l o g yt ot h ef a u l td i a g n o s i s ．F i r s t l y ，c o n b i n gt h eE n s e m b l eE m p i r i c a lM o d eD e c o m p o s i t i o n E E M D w i t hW i g n e r - V i l l eD i s t r i b u t i o n W V D c a no b t a i nt h e v i b r a t i o nf r e q u e n c yr e p r e s e n t a t i o nw i t hn oC R O S S t e r mi n t e r f e r e n c e ．S e c o n d l y ，t h ec o r r e s p o n d i n gL o c a lB i n a r yP a t t e r n s s p e c t r u mc a nb eg e n e r a t e db yi n t r o d u c i n gt h eL B P ，w h i c hh e l pt oe n h a n c et h et e x t u r ef e a t u r e si nt i m e f r e q u e n c y 收稿日期2 0 1 8 - 0 5 1 5修回日期2 0 1 8 1 0 2 0责任编辑郭晓炜 基金项目国家自然科学基金资助项目 U 1 5 1 0 1 1 2 ；山西省煤基重点科技攻关项目资助项目 M J 2 0 1 4 0 2 作者简介邹雨君 1 9 9 4 一 ，女，山西孝义人，硕士研究生。E - m a i l 5 1 7 0 2 8 9 8 7 q q ．c o n 通讯作者田慕琴 1 9 6 2 一 ，女，山西五台人，教授，博士生导师。E - m a i l t i a n m u q i n 1 6 3 ．c o n 万方数据 6 2 4 煤炭学报 2 0 1 8 年第4 3 卷 g r a y s c a l ei m a g e s ．T h i r d l y ，t h eL B Pg r a yh i s t o g r a mc a nb et a k e na sf e a t u r eq u a n t i t y ，a n dr e d u c e db ym e a n so fP C A a f t e r c o m p r e s s i n gt h ef e a t u r ed i m e n s i o n ．F i n a l l y ，t h el o w d i m e n s i o n a lc h a r a c t e r i s t i cq u a n t i t y c a ni n p u ti n t oB Pn e u r a ln e t w o r kf o rf a u l tc l a s s i f i c a t i o n ．I nt h ee x p e r i m e n to fb e a r i n gf a u l td i a g n o s i s ，t h em e t h o dp r o p o s e da b o v ei sp r o v e dt oh a v e ah i g hf a u l tr e c o g n i t i o na c c u r a c yt h r o u g hc o m p a r i n gw i t ho t h e ra l g o r i t h m s ．a n di t sa c c u r a c yo f9 9 ．5 ％f u l l yd e m o n s t r a t e st h ee f f e c t i v e n e s so ft h em e t h o d ．T h i sm e t h o di sr e l i a b l et oa c c u r a t e l ye x t r a c tt h eb e a r i n gf a u l tc h a r a c t e r i s t i c so f m o t o ri nt h eg e a rr o l l e rc r u s h e r ． K e yw o r d s r o l lc r u s h e r ；r o l l i n gb e a r i n g ；E E M D W V D ；L B P ；g r a y s c a l eh i s t o g r a m 齿辊式破碎机因其紧凑简单的结构设计、筛分破 碎的双重功能和安全可靠的优良性能已成为矿山露 天开采的重要机械设备。滚动轴承作为齿辊式破碎 机中电机受力的重要部件，其运行状态直接关系整个 设备的性能。轴承故障以局部缺陷的形式发生在工 作周期的早期，且主要集中于轴承内圈、外圈以及滚 动体等关键部位。存在局部缺陷的轴承运转时将产 生包含故障脉冲冲击的非线性非平稳时变振动信号。 不同部位的缺陷会导致不同脉冲冲击频率，即故障特 征频率。在实际运行中，破碎机电机轴承振动既进行 旋转运动又进行往复运动，耦合严重，信号中的故障 脉冲往往比较微弱，故障特征的提取和识别将十分困 难⋯，特别是滚动体和内圈故障的特征频率接近，较 难区分。 时频分析作为一种有效处理非平稳信号的方法， 包括线性时频分析 如短时傅里叶变换 s T 盯 和小 波分解等，以及非线性时频分析 如希尔伯特一黄变 换 、W i g n e r - V i l l e 分布 W V D 等。s T F T 由于其加窗 使得时频聚集度和分辨率较低；小波分解的时域和频 域分辨率相互牵制，在低频段时间分辨率较差，而在 高频段频率分辨率又较差；希尔伯特一黄变换易出现 模态混淆现象而造成时频表征杂乱。对于轴承非平 稳振动信号的时频表征应尽量满足时频分辨率高、能 量聚集性好的要求。W i g n e r - V i l l e 分布不加窗操作 避免了时域和频域分辨率的相互牵制，其单分量信号 分析的时频能量聚集性较强，性能优良，但对多分量 信号，因存在固有交叉项而影响其分析准确性。抑制 消除W i g n e r - V i l l e 分布交叉项的典型方法主要通过 核函数设计实现，如平滑伪W V D 分布和C o h e n 类双 线性时频分布以牺牲时频分辨率来确保信号能量聚 集性心o ；而C h o i - W i l l i a m s 分布压缩了信号的交叉耦 合项，有效提升了信号处理速度，但同时削弱了能量 聚集性口o 。本文从W i g n e r V i l l e 分布交叉项产生的 根本原因出发，加入聚合经验模态分解得到E E M D W V D 时频分析算法，在有效抑制交叉项干扰的同时 保留W i g n e r - V i l l e 分布的优良特性。 时频图像特征表征能力强，直观可读性高，含有 设备运行的大量状态信息。文献[ 4 ] 利用H i l b e r t 谱 图构建二维时频图像对柴油机气缸磨损程度进行诊 断。文献[ 5 ] 提出一种基于时频谱图、图像分割和模 糊模式识别的柴油机故障诊断方法。文献[ 6 ] 应用 时频图像分析原理实现了齿轮箱早期故障的有效诊 断。文献[ 7 ] 提出一种基于流形一奇异值熵的滚动轴 承时频故障特征提取方法。文献[ 8 ] 引入D S 证据 理论抑制内燃机的循环波动，并利用信号的时频图像 实现内燃机故障诊断。上述研究表明，通过分析时频 图像实现故障的特征提取和智能诊断已逐渐得到重 视与应用。但目前利用图像技术进行特征提取多以 二维时频图像的单一时频特征量作为特征参数，显然 三维时频图像包含更丰富的信息如能量幅值等，更有 利于故障识别。为更好提取轴承振动信号时频图像 的故障特征，提高特征分辨力，本文先得到状态表征 准确、信息丰富全面的时频三维图像 时问一频率- “n t 量三维图像 ，再将三维空间特征信息进行灰度投 影，并引入圆形L B P 局部二值模式增强其局部纹理 特征，进而提取轴承的状态特征量。 基于以上分析，本文以E E M D W V D ，L B P 与 P C A 为手段，提出一种基于时频图像的轴承故障特 征提取方法。首先利用E E M D W V D 算法对轴承振 动信号进行时频分析，得到良好的时频表征三维图 像，并将三维特征进行灰度投影；接着引入圆形L B P 算子对时频灰度图像进一步处理，生成图像纹理特征 明显的时频L B P 谱图，提取L B P 谱图的灰度直方图 作为轴承的状态特征量，在压缩特征量后利用P C A 主成分分析法降维，挖掘出时频图像中聚类性好的敏 感低维特征量；最后将低维特征量输入B P 神经网络 中进行模式识别。在轴承振动信号实验分析中，通过 和其他算法的对比分析验证了所提方法的有效性，且 诊断结果准确性较高。 1 基于E E M D 的W i g n e r 时频表征 W i g n e r V i l l e 分布 简称W V D 是一种二次型时 频分布，具有较高时频分辨率和能量集中性。 设某一信号戈 t ，则石 t 的W i g n e r V i l l e 分布 万方数据 增刊2邹雨君等基于时频图像的齿辊式破碎机中电机轴承故障特征提取方法 定义为其瞬态白相关函数的傅里叶变换一J ，即 W V D x ∽， 新川卜争 z 卜争P ‰ 1 式中，戈 t 为菇 t 的复共轭。 若信号戈 t 的频谱为X 6 0 ，则W i g n e r - V i l l e 分 布可由其频谱表示为 W V D 小川 射 ■∞ 争 x 卜争 e 啊加爿 ， ∞ 争 x 卜矿1 e m 曲 2 根据信号戈 t 的中心协方差定义 c 7 ，归z f - 号M 号 3 从式 3 可以看出，信号戈 t 的中心协方差的傅 里叶变换就是信号石 t 的W i g n e r - V i l l e 分布定义。 当某一信号由多个单分量信号戈。 t 叠加而成， 即多分量信号菇 ￡ ∑戈； f ，则其W i g n e r V i l l e 分 布为 W V D 。I x t ] _ W V D 』∑x i t ] _ 去 剧≯卜争川驯t 争 】e - 汕d 丁 ∑W x 。 ￡， E ∑2 R e [ 眵∥， ￡，∞ ] 4 从式 4 可以看出，多分量信号的W i g n e r - V i l l e 分布并不等于每个单分量信号的W i g n e r - V i l l e 分布 之和，还存在明显的交叉项∑2 R e [ 以∥， ￡，∞ ] 。 交叉项代表信号的时频分布出现振荡，其幅度甚至可 超过主项的2 倍0 1 ，造成虚假的谱值分布，进而影响 信号的准确分析。信号越复杂，交叉项污染越严重， 这严重限制了W i g n e r - V i l l e 分布的应用。 按照W i g n e r - V i l l e 分布计算原理，生成交叉项的 根本原因是信号中存在2 个及以上分量。据此，从多 分量信号的分解人手消除交叉项，将E M D 的改进算 法E E M D 聚合经验模态分解引入W i g n e r 分布， 将多分量信号优先分解成一系列单分量信号，再分别 对各个单分量进行W i g n e r - V i l l e 分布计算，最后将单 分量线性时频结果进行线性求和组合成原信号的时 频分布‘。12 1 。 E M D 本质为自适应二进制滤波器组，利用信号 不同时间尺度的局部特征将信号分解成一套完备的、 几乎正交的单分量I M F s ，每个I M F 对应信号在一种 频率下的振动模式，从而实现非平稳信号平稳化3 | 。 E E M D 是将随机正态分布的白噪声加入原信号后进 行E M D 分解，改善E M D 分解中的单分量模态混淆问 题，得到尽可能纯净的单分量I M F 信号，且分量包含 原始信号真实的物理信息4 | 。由于线性时频满足叠 加原理，因此可以先对单分量分别进行W i g n e r - V i l l e 时频分析，再将分析的结果线性求和，这样既有效地 消除了W i g n e r - V i l l e 分布交叉项干扰，又保留了其优 良特性5 | 。 E E M D W V D 时频分析算法具体步骤如下 步骤l 初始化所要分解的I M F 分量个数Ⅳ和总 的分解次数M ，第一次分解m l 。 步骤2 原始多分量信号戈 t 基础上加入高斯白 噪声h ． t ，得到信号X t X t z t h ． t 5 步骤3 对信号X t 进行E M D 经验模态分解，得 到一系列I M F s 分量和残余项，即 NM x t ∑∑U n t o ￡ r 。 ￡ 6 式中，U n t o t 为第m 次加入高斯白噪声并经过E M D 分 解得到的第n 个I M F s 分量，包含了信号从高到低的不 同频率成分；r m ￡ 为残余项，代表信号趋势走向。 步骤4 继续在加人幅度和功率谱密度不同的高 斯白噪声h 。 t ，重复步骤2 ，3 ，直至分解完全。 步骤5 对分解得到的M 组I M F s 分量和残余项 分别对应集成求平均值作为最终的Ⅳ个I M F 分量和 残余项，即 Ⅳ 戈 ￡ ∑I t n ￡ r t 1 M ‰ t 2 吉善“n m t ， M r ￡ 2 玄三r m t m 2 1 , 2 ，⋯，M ；n2l ’2 ’．．’，Ⅳ 7 式中，u 。 t 为E E M D 分解得到的第n 个I M F 分量； r t 为最终残余项。 步骤6 对每个I M F 分量和残余项做相应的 W i g n e r 时频分析，得到一系列W V D JU 。 t ] 以及 W V D ，[ r t ] 。 步骤7 对一系列I M F 分量的W i g n e r - V i l l e 时频 分析结果进行线性求和组合成新的W i g n e r - V i l l e 时 频分析结果，即 ～ W V D 。I x t ] _ ∑W V D 。[ a n ￡ ] W V D ，[ r t ] 8 E E M D W V D 算法流程如图1 所示。 万方数据 6 2 6 煤炭 学报 2 0 1 8 年第4 3 卷 l 输入 信默f 1 ．．．．．．．．．．．．．．．一 M O O J t l 入白噪声 f 篙芹 I M F I M F 【Ⅳ匝 R ． I M F 2 I I I V [ F 2 2 I M F 2 R 2 I M F M I M F M I M F t R s I M F IW V D l I ⅣⅢ，W V D ， 集成 W i g n e r组合 E E M D W V D 平均 求和’时频分析结果 I M F N W V D ～ 只 W V 风 图1E E M D _ W V D 时频分析算法流程 F i g ．1 F l o wc h a r to fE E M D _ W V Dt i m e - f r e q u e n c ya n a l y s i sa l g o r i t h m 2 基于L B P 与P C A 的时频图像特征提取 2 ．1 圆形L B P 局部二值模式 L B P L o c a lB i n a r yP a t t e r n 局部二值模式是一种 用来描述图像局部纹理特征的算子。由0 J A L A 等于 1 9 9 4 年为度量图像局部对比度而提出的，其基本思 想是将图像局部中心像素的灰度值作为阈值，将其与 邻域像素比较，得到的灰度差异用二进制编码表示， 将图像局部纹理特征表征为一系列编码值6 。，具有 计算复杂度低、平移和旋转不变性等优点ⅢJ 。 原始L B P 算子的编码过程定义为在3 3 的方形 领域内，显然固定方形的覆盖区域不能满足不同尺寸 图像的不同频率纹理需要。为突破这一限制，0 J A L A 等又于2 0 0 2 年对原始L B P 算子进行了改进8 | ，以圆 代方，将3 x 3 的方形邻域扩展到任意大小的圆域，允 许在圆域内包含多个像素点。 用尺表示圆域的半径，用P 表示域内点数，设中 心像素点值为筋，其余圆周像素点值为g i i 1 ，2 ， ⋯，P ，图像纹理特征r 定义为 T t g o ，g l ，9 2 ，⋯，骺 9 圆形L B P 算子编码规则当g i ≥9 0 时，对应位置 编码写1 ，否则编码写0 ；然后按顺时针方向构成二进 制编码，从而得到代表图像上该像素点局部纹理特征 7 1 的L B P 编码值‘1 9 - 2 0 1 。对应编码公式如下 ￡B P p ，， ∑2 i - 1 s g i ，g o 1 0 其中， r 1 ，g i g o ≥0 “歌’g o i 咄。一舒 0 11 图2 给出了3 种圆形L B P 算子的示例图。 明口圈 J p 8 ，胆1P 8 ，胆2卢1 2 ，R - 2 ．5 图23 种圆形L B P 算子不例 F i g ．2 T h r e ee x a m p l e so fc i r c u l a rL B P 2 ．2 时频图像特征提取方法 利用2 ．1 节介绍的圆形L B P 算子可在时频图像 的每个像素点处对应得到一个编码值，生成时频L B P 谱图。但一般不采用直接得到的编码值进行特征量 的提取，而是将编码值的统计直方图作为特征向量， 即通过统计时频L B P 谱图出现的不同L B P 值 一种 灰度级对应一个L B P 值 的频数，得到图像L B P 灰度 直方图[ 2 1J 。 设图像为M x N 大小，其L B P 灰度直方图定义为 NM 日 尼 ∑∑f L B P , ，， i √ ，晟 ，k “o ，l q i lJ I 1 2 f 1 ．z2v 八戈，y 2i o 其在 1 3 其中，K 为L B P 算子的维数。 P 和R 值不同，得到的L B P 直方图特征向量的 维数不同。P 值越大时，图像描述越细致，同时特征 向量维数越高，计算越复杂；P 值一定、R 值越小时， 圆域采样点越密集，像素点灰度值和周围环境的关系 越具体陋] 。一般在特征提取时将圆形L B P 的二值 编码进行归一化处理，使数值幅度保持在0 2 5 6 内。 当P 取1 2 和1 6 时，对应2 P 为40 9 6 和6 55 3 6 ，超过 特征提取所要求的范围旧3 | 。基于以上考虑，取P 万方数据 增刊2邹雨君等基于时频图像的齿辊式破碎机中电机轴承故障特征提取方法 6 2 7 8 ，R 1 已满足基本要求且能有效描述时频图像特 征。 经过圆形L B P 算子处理，得到图像局部纹理特 征更加显著的时频L B P 谱图，划分区域对L B P 谱图 做灰度统计，将灰度直方图作为信号的特征量。但一 般此时得到的特征量维数 2 5 6 较高，有必要采取措 施对L B P 灰度直方图做相关处理，精简特征量。L B P 增强了时频图像的局部特征，但缺乏对时频图像的整 体把握，P C A 作为丢失原始信息最少的线性降维方 法，能在降维的同时完整保留故障特征中的有效成 分，二者结合将使特征提取的有效性最大化，有利于 进一步的故障识别。 2 ．3 滚动轴承故障诊断流程 基于E E M D W V D ，L B P 与P C A 的滚动轴承故障 诊断的具体流程如图3 所示。 滚动轴承振动信号灰度频数统训 E E M D W V D , , ] - * , 3 i A 维图像 二二二匝匝 时频二维灰度图像 时频L B P i { } 图 图3 滚动轴承故障诊断流程 F i g ．3 F a u l td i a g n o s i sf l o wo fr o l l i n gb e a r i n g 故障诊断具体步骤如下。 步骤1 对滚动轴承采集到的振动信号进行E E - M D W V D 时频分析得到时频三维图像，并投影生成 时频二维灰度图像； 步骤2 采用圆形L B P 对步骤1 得到的时频二维 灰度图像进行重新编码生成时频L B P 谱图； 步骤3 将时频L B P 谱图分成4 个区域，对每一 区域进行L B P 值灰度级 0 ～2 5 6 频数统计生成维数 为2 5 6 的L B P 灰度直方图； 步骤4 压缩L B P 灰度直方图的特征维数后利用 P C A 降维，得到维数低、敏感度高且聚类性好的特征 量； 步骤5 用B P 神经网络对最终的低维特征量进 行训练学习，建立故障诊断模型识别滚动轴承的4 种 状态，完成故障诊断。 3实验分析 3 ．1 实验数据采集 实验装置由电动机、振动加速度传感器、扭矩编 码／译码器、联轴器、示功器和一些电子控制设备组 成，如图4 所示。实验轴承选择某2 P G C 型齿辊式破 碎机的电机轴承，轴承类型为6 2 0 5 单列深沟型轴承， 轴承技术参数[ 2 4 1 见表l 。实验中轴承故障由电火花 加工而成，分别在轴承滚动体和内、外圈沟道设置面 积大小约2m m 2 的点蚀以对应轴承滚动体故障、内 圈故障和外圈故障。 图4 实验装置 F i g ．4 S c h e m a t i cd i a g r a mo fe x p e r i m e n t a ld e v i c e 表1某2 P G C 型齿辊式破碎机的电机轴承技术参数 T a b l e1 S p e c i f i c a t i o no ft e s t e db e a r i n g 实验中将振动加速度传感器安装在电机轴伸端 的轴承机座上方，由电动机带动输入轴，输出轴带动 负载 图5 。设置电机转速为9 6 0r ／m i n ，与破碎电 机实际工作时一致，采样频率为1 2k H z ，分别采集轴 承在正常状态、滚动体故障、内圈故障、外圈故障4 种 状态的振动数据。每种状态下选择1 0 0 组数据样本， 每组样本长度为12 0 0 ，合计1 2 00 0 0 个振动点值。4 种状态共4 0 0 组数据，总计4 8 00 0 0 个振动点值。轴 承4 种振动信号如图6 所示，4 种状态的振动情况变 化均无规律，很难直接区分其具体状态。 图5 轴承振动信号采集实验过程 F i g ．5B e a r i n gv i b r a t i o ns i g n a la c q u i s i t i o ne x p e r i m e n t 3 ．2 滚动轴承的E E M D W V D 时频图像 首先取轴承正常数据进行E E M D W V D 时频分 析。图7 a ～ d 依次给出了轴承正常振动信号的 功率谱图、W V D 时频三维图、伪W V D 时频三维图和 E E M D W V D 时频三维图。 从图7 a 可以看出，正常振动信号的特征频率 掣 万方数据 6 2 8 煤炭 学报 2 0 1 8 年第4 3 卷 02 0 O15 一O ．1 0 O ．0 5 E 0 童O ．0 5 至O ．1 0 O15 O ．2 0 O2 5 2 ．5 2 ．0 1 ．5 1 ．O O ．5 O O ．5 1O 15 2 O OO ．0 20 ．0 4O ．0 60 ．0 80 ．1 0 时[ H J ／s a J I “t 状态 “山』。止．叫I ▲ kk ． d 【 r 丌 呵1 I r r ’V “ 门T Ⅱ 一 一 OO ．0 2O ．0 4O ．0 6O ．0 801 0 I I , I q ／s c 内圈z 1 障 O 5 0 ．4 0 ．3 O 2 01 0 0I O ．2 0 ．3 0 ．4 O ．5 l。儿』。山．II 。j 山“ l J l i i l l l f“ f l | 『T 聃 ”叮’f “ ’1 叩I OO ．0 2O ．0 4O ．0 6O ．0 8 0 ．1 0 叫J i I J ／s b 滚动体故障 时| Iq ／s d 外吲敞障 图6 某2 P G C 型破碎机电机轴承的4 种振动信号 F i g ．6 F o u rm o t o rb e a r i n gv i b r a t i o ns i g n a l so f2 P G Cc r u s h e r 吾2 宴 ≥ 蓝0 频牢- l H z a 功率嘴劁 已4 g 2 ∑ 趔0 忙缸 b W V D N , I 频叫{ “冬I c 伪W V D [ } , J 频一j 维H d E E M DW V D l l 、J 频_ 二维图 3 5 3 O 。 25 【 2 ．o 曼 15 翟 10 。 0 ．5 图7轴承正常振动信号的功率谱图以及W V D 、伪W V D 和E E M D W V D 时频三维图 F i g ．7 P o w e rs p e c t r u mo fn o r m a lb e a t i n gv i b r a t i o ns i g n a l sa n d3Dt i m e f r e q u e n c yi m a g e so fW V D ，P s e u d oW V Da n dE E M D W V D 主要集中在9 0 ，10 7 0 和21 0 0H z3 个频率附近。图 7 b 为直接对正常振动信号进行W V D 时频分析得 到W V D 时频三维图，对比图7 a 可以看出其存在交 叉干扰项；在9 0 ～10 7 0H z 和10 7 0 ～21 0 0H z 均产 生了新的虚假谱值分布，能量集聚明显，造成严重的 信号污染。 图7 C 和 d 分别为利用伪W V D 时频分析 和E E M D W V D 时频分析后的结果。和图7 b 相 比，伪W V D 分析在一定程度上削弱了交叉项干 扰，但效果较差，虽保证了信号的能量集聚但特征 频率的分辨率随之降低；而E E M D W V D 分析中的 交叉项明显削弱甚至完全消除，可以明显看出信 号特征频率为9 0 ，10 7 0 和2l0 0H z ，有效抑制了 W V D 分布交叉项，也保证了特征信息的频率分辨 率和能量集聚性。 图8 a ～ c 依次为轴承3 种故障振动信号的 功率谱图和E E M D W V D 时频三维图。结合图7 可 以明确4 种振动信号的特征频率主要集中于0 ～ 一_∞垂一童藩4_ 2 0 8 6 4 2 0 8 6 4 2 2 2●●●●●OOO O nHHU■■■■●●■ 万方数据 增刊2邹雨君等基于时频图像的齿辊式破碎机中电机轴承故障特征提取方法 6 2 9 40 0 0H z 的中低频区段。滚动体故障的特征频率在 26 7 0 ～36 0 0H z 内，32 5 0H z 附近最为明显；内圈故 障的特征频率在25 8 0 ～34 8 0H z 内，29 8 0H z 附近 3 5 。3 0 ， 2 - 5 暑2 - o 誉1 ．5 善1 ．0 0 ．5 O ．I - L 。．．JI JI ．．．． 斧1 5 呐 i 1 0 兰5 甚 警0 0 0