基于声音信号的托辊故障诊断方法

郝洪涛（1976-），男，宁夏中宁市人，博士，副教授，主要研究方向为车辆先进传动与控制技术、机电系统健康监测。

E-mail:

远程带式输送机具有运行成本低、操作简单、效率高和运距远等特点，是重要的散装物料运输工具。但在运行过程中，会发生各类事故并存在安全隐患。目前，远程带式输送机故障检测主要依赖于人工巡检，工作量大且工作环境危险。随着通信与信息采集技术的不断的提高，为智能巡检创造了条件。针对远程带式输送机的故障检测，当前国内外许多学者提出了智能巡检方式，目的都是利用巡检设备搭载各种传感器实现对远程带式输送机的智能巡检，降低人工巡检的工作强度并提高故障判断的可靠性[1-6]。

托辊是带式输送机的重要部件，其故障会对整个输送系统造成严重损失，因此需要对托辊的运行状况进行预测和诊断。本文以远程带式输送机的托辊故障预测和诊断为目的，提出基于声音信号分析的托辊故障诊断方法。该方案可嵌入到各种巡检设备中，为带式输送机智能巡检提供具体技术支撑。

1 基于声音信号的故障诊断方案设计

图1 托辊故障诊断方案

托辊故障主要发生在其轴承部分，滚动轴承故障具体可参阅文献[7]。该方案运用声学传感器采集带式输送机的声学信息，然后进行诊断与检测，判断带式输送机的托辊是否出现异常。本文设计的带式输送机托辊故障诊断的总体方案如图1所示。

开发软件采用LabVIEW。整个诊断系统的工作模块包括：

（1）声音信号采集

声学传感器采集声音信号，故障诊断系统读取声音信号，并用带通滤波器对环境噪声进行初步滤除。

（2）时域特征参数分析

利用时域特征参数函数处理托辊声音信号，输出时域特征参数分析的结果。时域诊断程序如图2所示，巡检系统选取均方根、反峰值、正峰值、峰峰值等时域特征参数进行声音信号诊断，当这些特征参数中有超过设定的阈值时，警示灯便会亮起。

（3）频域分析

利用快速傅里叶变换（FFT）处理托辊声音信号，输出声音信号的频谱图。做功率谱得到声音信号的整体频谱图波形。

（4）经验模态分解（EMD）

因为EMD分解不需要构造基函数，因此本质上有别于小波分析法，理论上可以应用于任何信号的处理，非常适合处理非线性、非平稳信号，经常被应用于信号处理领域[8-10]。EMD降噪程序的目标是对滚动轴承信号进行降噪，滤除外界声音的干扰，得到托辊滚动轴承的运转声音特性。LabVIEW 中无专门的EMD模块，可参照文献[11-12]编写。

图2 “时域诊断.vi”程序

（5）小波包分解与重构和希尔伯特变换

小波包是为了进一步提高频率分辨率而发展起来的一种数学工具，它对信号分解与重构的实际应用具有举足轻重的作用[13]。LabVIEW 软件中有小波包分解与重构函数，利用其可方便实现对声音信号分解与重构。

希尔伯特（Hilbert）变换可以巧妙地使原始信号产生90°的相移，定义出任意时刻的瞬时频率、瞬时相位及瞬时幅度，找到短信号与复杂信号的瞬时参数。通过希尔伯特变换可以得到解析信号，其实部是实信号本体，虚部是希尔伯特变换得到的，以解析信号的模作为信号的包络。

系统诊断过程如下：

（1）如果时域特征参数大于设定的阈值，进行初步故障报警，并与频域显示对比，以确定托辊是否发生故障；

（2）如确定发生故障，可通过EMD的时域显示并结合带式输送机带速确定托辊故障发生区间，进而确定是那个方位的托辊发生了故障；通过小波分解与重构和希尔伯特包络分析可确定轴承故障的部件。

本系统编程软件采用LabVIEW，设计过程中采用了模块化编程，各个部分存在主次关系或并列关系，使得软件的结构清楚，改动容易，也便于后期的改进。时域特征参数分析、快速傅里叶变换、功率谱分析重要用于对故障的初步判断；经验模态分解、小波分解与重构和希尔伯特包络分析结合用于对故障的定位、定性分析。

2 诊断方案实验验证

2.1 托辊轴承故障分析

滚动轴承出现故障时，转动过程中相互接触的原件表面损伤点处连续冲击产生振动，这种振动冲击通常是周期性的。轴承的故障频率即是指损伤带来的冲击重复频率，诊断滚动轴承时最重要的是找到冲击的重复频率[14]。滚动轴承出现磨损时，一般不会是只有一部分出现磨损，往往是滚动轴承出现多处损伤，损伤的类型、程度也不一样。因此滚动轴承的单点损伤故障频率计算理论与实际故障频率会存在差别，但也会对轴承的故障诊断起到一定的指导作用。

上一篇：“建筑声环境”课程教学方法与教学手段研究及
下一篇：没有了