译文1：

基于小波能量谱系数的起重机低速重载回转支承故障分析

Yang Jiao, Guanghai Li, Zhanwen Wu, Huipo Geng, Jian Zhang, and Li Cheng

摘要：利用定制的起重机模型、载荷、声发射仪和传感器，对无缺陷的回转支承、有外圈缺陷的回转支承和有滚柱缺陷的回转支承在低速重载工况下进行了声发射试验。采集和处理大量的声发射信号，利用Daubechies小波对不同工况下被采集的声发射信号进行小波分解，计算出每个工况下的小波能量谱系数。利用小波能量谱系数在不同工况下的分布规律，得到了回转支承故障的判断依据。该研究为起重机低速重载回转支承的故障诊断奠定了理论基础。

1. 简介

重型回转支承是门式起重机、塔式起重机和臂架式起重机的关键部件。这些起重设备在低速、重载的工况下间歇运行。在运行过程中，它们承受着巨大的冲击载荷。它们的运行状态直接影响到整个系统的工作。一旦它们发生故障，会影响整个设备的生产效率，危及人员和设备的安全。起重机检测常用的检测方法有[1]金属记忆检测、电磁检测、射线检测、超声波检测、声发射检测、振动检测等。本次研究采用声发射检测法。

利用定制的起重机模型，分别对无缺陷回转支承（ND）、外圈缺陷回转支承（ORD）和滚子缺陷回转支承（RD）进行声发射试验。对不同回转支承在不同工况下的声发射信号进行了小波分解和能量谱系数分析。从而得出回转支承故障的判断。

小波分解与能量谱系数

小波分析[2-4]是在时间（空间）和频率上的局部化分析。通过扩展和平移操作，信号逐渐被多尺度细化。最后，在高频段可实现时间细分，低频段实现频率细分。它能自动适应时频信号分析的要求，可锁定信号的任何细节，解决傅里叶变换的难题。目前，小波分析广泛应用于声发射信号的去噪、特征提取、信号识别和定位等领域。

通过小波分析，可将信号分解为低频和高频分量。在分解过程中，低频部分的丢失信息被高频部分捕获。在下一步的分解中，将分解后的低频部分再次分解为低频和高频部分，低频部分的丢失信息也再次被高频部分捕获。通过类比，可以完成更深层次的分解。从小波分解的结构来看，小波变换的频率分辨率随频率的增加而降低。

2.1 小波分解

鉴于声发射信号的突发性、瞬态性、声发射源信号的多样性和干扰噪声的多样性等特点，小波基函数的选取需要考虑以下几点[5，6]：

1.低速重载起重机的声发射信号采集时间长，数据量大，需要对其进行离散小波变换以提高数据处理速度。

2.为了体现声发射信号的突发性和瞬态性，需要具有一定阶消失矩的小波基来突出声发射信号的各种奇异特性。

3.为了消除或减弱小波分解和重构中信号的失真，必须使小波基函数具有对称性。

4.为了保证小波分解曲线的光滑程度，可以优先考虑具有正则性的小波基函数。

5.为了保证小波基在频域的局部分析能力，要求小波基在频域内具有快速衰减的特性。选择的小波基在时域上要有很好的支撑，在频域上要有很快的衰减。

在一些常用的小波基中，Daubechies小波、Symlets小波和Coiflets小波都可以作为声发射信号分析的小波基。选取Db8小波进行小波分解。根据小波多分辨率分析原理和信号采样率，选择了分解比例J=7。

2.2 小波能量谱系数

小波能量谱系数[7–9]定义为每个小波分解尺度的能量与总能量的比值。对小波分解后的声发射信号在各频段的能量分布进行了表征。例如，信号的J尺度小波分解被分解为J 1频率范围的一个分量。由于声发射源的不同，小波分解后的声发射信号在各分解尺度上的能量分布也不同，所以小波能量谱系数可以描述声发射源的特性。

小波分析将信号在J 1的频率范围内进行分解，并根据以下公式定义信号在每个小波分解尺度中的能量：

j=1,2,hellip;hellip;,J （1）

其中f（n）为待处理声发射信号，f（n）为经J小波分解后的低频分量重构信号，f（n）为经J小波分解后的高频分量重构信号，表示为分解尺度J上低频信号分量的能量，表示为分解尺度J上高频信号分量的信号能量。

信号的总能量定义如下：

= （2）

各小波分解尺度的小波能量谱系数分别用eta;和eta;来表示：

eta;= eta; ，j=1,2,hellip;hellip;，J （3）

公式中，J上低频信号的小波能谱系数用eta;表示，J上高频信号的小波能谱系数用表示。

实验装置、传感器放置、缺陷设置和实验方案

3.1 实验装置

实验装置由起重机模型、载荷、测试仪器、计算机和传感器组成。起重机模型的主要部分和载荷如图1所示。起重机模型由底座、回转支承、控制柜等组成，每个负载重量为2.2吨。试验采用0吨（空载）、4.4吨（半载）、8.8吨（满载）三种加载条件。通过控制柜可以调节回转支承转速。在此试验中设置低速（1r/min）、中速（2r/min）、高速（3r/min）。

图1.起重机模型及载荷

测试仪器采用德国Vallen AMSY-6公司产品。采用VS150-RIC谐振式传感器。将阈值设置为40 dB以屏蔽外部噪声，采样频率 =5MHz，采样点n= 8192。

3.2 传感器布置

起重机模型的内圈是固定的。由于滚动轨道内圈靠近滚动轴承，在内圈上设置三个传感器，以增强采集信号，三个传感器在圆周上以120度等距离分隔开，放置在滚动轴承内圈中，如图2所示。

3.3 缺陷设置

外圈缺陷类型大致相同，缺陷设置在外圈表面和滚子最大直径面上。插槽被用作外圈人工缺陷，如图3a所示。

在回转支承中，支承环的最大直径处最容易发生故障，因此会在这一排滚子上设置缺陷。缺陷模拟是将1/4的轧辊切到底，如图3b所示。

图2.传感器布局

图3.外圈缺陷和滚筒缺陷（a）外圈缺陷（b）轧辊缺陷

3.4 实验方案

分别在三种载荷和三种转速下采集ND回转支承、ORD回转支承和RD回转支承的声发射信号。

本文中的声发射数据都是在ND的回转支承、ORD的回转支承和RD的回转支承的半负载和中速条件下采集的。

声发射信号的小波分解与能量谱分析

4.1 无缺陷回转支承（ND）

起重机模型半载中速运行：从无缺陷回转支承上采集的声发射信号及其频谱如图4所示。

信号频谱主要分布在30～200kHz范围内，在60～80Hz附近有峰值，在150～160Hz附近也有峰值。

图4.无缺陷回转支承的声发射信号及频谱

首先，对信号进行小波去噪，然后对去噪后的信号进行7尺度小波分解，结果如图5所示。

根据声发射信号小波能量谱系数的求解方法，计算了ND回转支承的分解信号，得到了小波能量谱系数分布图。如图6所示。

ND回转支承声发射信号经小波分解后的能量主要分布在d4、d5和d6层。

图5.回转支承声发射信号的小波分解

图6.ND回转支承的小波能量谱系数分布图

4.2 外圈缺陷回转支承（ORD）

在起重机模型中采用了带人工外圈缺陷的回转支承。声发射信号是在半负载和中速条件下采集的。其对应的峰值信号的波形和频谱如图7所示。

信号频谱主要分布在30～240kHz范围内，其峰值在40、160、230kHz附近。

首先对信号进行小波去噪，然后对去噪后的信号进行7尺度小波分解。限于本文的篇幅原因，省略了分解的结果。

根据声发射信号小波能量谱系数的求解方法，计算了回转轴承的分解信号，得到了小波能量谱系数分布图。如图8所示。

从图中可以看出，ORD回转支承声发射信号经小波分解后的能量主要分布在d4、d5、d6、d7层。

图7. ORD回转支承的声发射信号和频谱

图8.ORD回转支承的小波能量谱系数分布图

4.3 滚子缺陷回转支承（RD）

起重机模型采用带有人为滚子缺陷的回转支承。声发射信号是在半负载和中速下条件下采集的。其对应于峰值信号的波形和频谱如图9所示。

信号频谱主要分布在30～350kHz范围内。峰值在100、170和240 kHz附近。

首先对信号进行小波去噪，然后对去噪后的信号进行7尺度小波分解。限于本文的篇幅原因，省略了分解的结果。

根据声发射信号小波能量谱系数的求解方法，对回转支承的分解信号进行了分析计算，得到了小波能量谱系数分布图。如图10所示。

由图可见，对RD回转支承声发射信号进行小波分解后得到的能量主要分布在d4和d5层。

图9.RD回转支承的声发射信号及频谱

图10.RD回转支承的小波能量谱系数分布图

与无缺陷回转支承（ND）声发射信号的小波能量谱分布相比，用外圈缺陷回转支承（ORD）和滚子缺陷回转支承（RD）采集的声发射信号的小波能量谱分布具有明显的特征。

采集的ORD回转支承声发射信号的小波能量谱系数分布主要集中在d4、d5、d6和d7层。d4层和d5层占总能量的比例不到56%，占总信号能量的一半。d6层和d7层占总能量的42%以上，接近总能量的一半。

RD回转支承声发射信号的小波能量谱系数分布主要集中在d4层和d5层。d5层和d4层占总能量的85%以上，是信号能量的绝对主体。另一层仅占总能量的15%，是信号能量的辅助成分。

5 结论

利用定制的起重机模型，分别对无缺陷回转支承、外圈缺陷回转支承和滚子缺陷回转支承进行了声发射试验。对各回转支承的声发射信号进行了小波分析。结论如下：

声发射信号是一种突发模式信号。对于无缺陷回转支承，信号频率主要集中在30～240kHz范围内。对于外圈缺陷回转支承和滚子缺陷回转支承，频带拓宽了，信号频率主要集中在30-350kHz范围内。

本文提出了一种基于小波能量谱系数的回转支承缺陷特征提取方法。分别提取了无缺陷回转支承、外圈缺陷回转支承和滚子缺陷回转支承的声发射信号特征。结果表明，该方法能正确识别两种缺陷的声发射信号。

致谢：作者感谢国家重点技术支持计划对本次研究的支持。

参考文献

[1] C. Chen, J. Yang, L. Guanghai, et al., Application of acoustic emission technology to crane inspection. Hebei J. Ind. Sci. Technol. 30(3), 199–202 (2013)

[2] G. Rongsheng, G. Shen, L. Shifeng, An overview on the development of acoustic emission signal processing and analysis technique. NDT 24(1), 23–28 (2002)

[3] J. Yang, J. Hou, L.I. Guanghai, et al., Acoustic emission signal processing technology and the application status in rolling bearing test. J. Hebei Univ. Sci. Technol. 34(4), 313–317 (2013)

[4] Z. Ping, K. Shi, R. Geng, et al., Application of wavelet transform to acoustic emission test. Nondestr. Test. 24(10), 436–439 (2002)

[5] J. Xie, L. Le, L. Wenfeng, Research on wavelet base selection for vibration signal denoising. Sci. Technol. Eng. 11(25), 5997–6000 (2011)

[6] S

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[238912]，资料为PDF文档或Word文档，PDF文档可免费转换为Word