基于MSLMD的滚动轴承微弱故障提取研究
摘要：本文提出了一种基于MS（mask signal）和LMD（Local Mean Decomposition，）方法的滚动轴承微弱故障提取方法。本文通过将掩膜信号法与LMD方法相结合的方式，对存在噪声的故障信号进行处理，提取了故障信号。
关键词：强噪声；轴承故障；掩膜法；局部均值分解；故障诊断
在旋转机械中，轴承是至关重要的一部分，而轴承的磨损也是不可避免的，轴承磨损的初期信号较为微弱，很难在强噪声的背景下被发现，不采取相应的措施就会导致轴承故障，严重时甚至会导致重大的事故，造成经济损失和人员伤亡，因此对轴承早期故障信号的提取一直深受重视。
2005年，在经验模态分解（EMD Empirical Mode Decomposition ）方法的基础上，Smith Jonathan提出了一种时频分析法：局部均值分解（LMD Local Mean Decomposition），其本质是将实测信号按频率的高低分成不同的PF（Product Function）分量，而每一個PF分量都是由一个包络信号与一个纯调频信号相乘而来，将分解后的PF分量结合到一起就可以得到完整的时频分布[1]。
但是LMD的缺点也比较明显，与EMD方法相比，其模态混叠现象虽然有所减轻，但在强噪声背景下进行分解，模态混叠现象依然十分严重，无法从中提取所需的时频信息。
基于以上原因，本文将掩膜信号法引入到LMD方法中，在消除LMD方法出现的模态混叠现象后，提取故障信息。
1 LMD
由于实际采集的原始信号中含有不同的频率成分，属于多分量信号，LMD方法把多分量信号分解为若干单分量信号（PF分量），然后整合到一起就可以得到原始信号的时频分布。
2 MS方法
掩膜法（MS mask signal）可以简单概括为以下几个步骤，而其中寻找合适的掩膜信号st是掩膜法的关键。
3 基于MSLMD的轴承故障提取方法
禹丹江等人在MED分解中提出了一种确定掩膜信号的方法[2]，而将其运用到LMD方法中时，可以对其进行适当改进。
经过掩膜信号法处理后的LMD分解，每一层PF分量只有一个频率信息，由此可以确定掩膜法有效的消除了仿真信号的模态混叠现象。
4 实测信号分析
文章采用的是Case Western Reserve University（美国凯斯西储大学）故障轴承数据进行分析[3]，其中转速为1750r/min，采样频率为12000Hz，转动轴基频为29.1Hz，计算后的内圈故障频率约为157.9Hz，本文从采集到的数据中选取10240个点进行分析研究。
PF1的波形比较杂乱，虽然从内圈故障频率158.3Hz处左右有明显峰值与其二倍频率处有较高峰值，但是在转频29.1Hz与二倍频率58.2Hz处同时存在较高峰值，说明发生了模态混叠现象。
经过计算，PF1的相关系数最高，所以只对PF1进行掩膜法处理，转频的二倍58.2Hz处的峰值已经消失，较高峰值只出现在内圈故障158.1Hz与二倍频316.2Hz处。证明成功消除了模态混叠现象。
以上数据表明，本文成功的提取了滚动轴承的内故障信息，由此证明了提出的方法具有可行性。
5 结论
1）掩膜信号法对于强噪声背景下发生的模态混叠现象有较强的抑制作用。
2）局部均值分解（Local Mean Decomposition，LMD）对故障信号由较强的分解分析能力，但是在强噪声背景下会失真，出现模态混叠等现象，难以得到有效的故障信息。
3）本文提出的掩膜信号法与LMD相结合的方法，使用LMD对信号进行分解，然后用掩膜信号法对PF分量进行处理，消除其模态混叠现象。利用仿真信号验证了方法的可行性后，成功提取了轴承的微弱故障特征。为微弱故障特征的提取提供了一种新的研究思路。
参考文献：
[1]Huo L.Introduce the Quantitative Identification Method of Rolling Bearing in the Application of Fault Detection[J].Applied Mechanics & Materials，2015，742：147149.
[2]禹丹江，任伟新.信号经验模式分解与间断频率[J].福州大学学报，2005，33（5）：638642.
[3] Case Western Reserve University.Case western reserve university bearingdata center website[EB/OL].20110503.
作者简介：王志坚，男，博士，研究方向：制造过程与故障诊断。
