基于小波包分析的数控机床主轴滚动轴承故障诊断

基于小波包分析的数控机床主轴滚动轴承故障诊断
陈牧野;何亚飞
【摘要】滚动轴承损伤类故障的分析诊断基础是提取故障信息.利用小波包分析对机床主轴滚动轴承振动信号进行分解,求出各频段的能量,提取了轴承故障的特征频率并对故障进行定位,表明了小波包分析方法在滚动轴承故障诊断的有效性和优良性.
【期刊名称】《上海第二工业大学学报》
【年(卷),期】2010(027)002
【总页数】6页(P124-129)
【关键词】滚动轴承;小波包分析;特征频率;故障诊断
【作者】陈牧野;何亚飞
【作者单位】上海海事大学物流工程学院,上海,200135;上海第二工业大学机电学院,上海,201209
【正文语种】中文
【中图分类】TH13
主轴部件是数控机床最重要部件之一。

主轴部件的工作性能对加工质量和机床生产效率有着重要的影响。

作为主轴部件的关键零部件之一，滚动轴承的运行状态对主轴系统的特性，尤其是回转精度、刚度、热特性和动态特性影响较大。

主轴滚动轴承类型配置、精度、安装、调整和润滑等状况都直接影响主轴组件的工作性能，其状态好坏直接关系到主轴的运行状态[1]，因此，实际生产中做好主轴轴承状态监
测与故障诊断是保证整台机床加工精度的重要环节。

主轴滚动轴承的损坏情况十分复杂。

一个故障轴承可能包含多种损坏现象。

滚动轴承常见的损伤包括轴承元件（内圈、外圈、滚动体、保持架等）的面点蚀、裂纹、剥落及擦伤等。

滚动轴承损伤产生故障后，工作过程中可能产生温升、噪声、振动等方面的征兆。

实践表明，由于轴承振动信号携带了丰富的运行状态信息，故振动分析是最有效的诊断手段。

在振动监测诊断的过程中，由于受到主轴和轴上多种零部件振动的影响，滚动轴承振动信号中的干扰多，成分比较复杂。

故障引起的冲击量值往往会被较大的振动信号所掩盖，故用传统的信号频谱分析方法较难从中提取出故障特征频率，而小波包分析具有同时分析信号时域与频域的特性，在对此类信号分析中拥有更大的优势[2]。

本文使用小波包分析技术对机床滚动轴承振动信号进行分解，然后对故障特
征的信号进行重构，再进行功率谱分析，从而检测出轴承故障的特征频率，找出故障元件。

小波变换的基函数随着尺度j的减小，其时频窗口宽度也减小，而相应的频域窗口宽度增大。

正交小波变换具有的这种小尺度大频窗、大尺度小频窗的时频分布规律，适宜于分析任意尺度的信号。

正交小波变换的多分辨率分解只将V(尺度)空间进行分解，即V0=V1⊕W1=V2⊕W2⊕W1=…，而没有对W空间进一步地分解，所
以引入小波包概念。

小波包可以将Wj进一步地分解，使正交小波变换中随j的增大而变宽的频率窗口进一步分割变细。

其具体定义为
μn(x)，n=2l 或n=2l+1，l =0， 1，…，称为关于正交基函数μ0(x)=ϕ(x)的小波包，μ1(x)=φ(x)。

式中：0()xμ定义为尺度函数()xϕ；1()xμ是小波基函数；()xφ是由标准正交化的
多尺度生成元()xϕ导出的函数[4]。

可见，小波包分析是从小波分析延伸出来的一种对信号进行更加细致的分解和重构
的方法。

小波包分析不但对低频部分进行分解，而且对高频部分也做了二次分解，所以小波包可以对信号的高频部分做更加细致的刻画，对信号的分析能力更强[5]。

小波包的分解过程如图1所示。

其中(0,0)表示原始信号。

对原始信号进行2层小波包分解，分别提取第2层从低
频到高频4个频带成分的信号特征：低频系数X20，高频系数X21，X22，X23。

对小波包进行重构，提取各频带范围的信号。

设S2j是X2j设的重构信号，则总信号S 可以表示为S=S20+S21+S22+S23。

滚动轴承的损伤和破坏形式主要有：磨损、疲劳、断裂、腐蚀、压痕和胶合。

可将这六种失效形式归类成三种类型的故障：表面皱裂、表面剥落和轴承烧损[6]。

1) 表面皱裂是由于轴承使用时间较长，磨损后滚动面全周慢慢劣化的异常形态。

此时轴承的振动与正常轴承振动具有相同的特点。

唯一区别是振幅增大。

2) 表面剥落是由疲劳、裂纹、压痕、胶合等失效形式造成滚动面的异常形态。

它
们所引起的振动为冲击振动。

振动信号中含有轴承的传输振动和轴承构件的固有振动。

3) 烧损是由于轴承润滑状态恶化等原因造成的。

在到达烧伤程度的过程中，轴承
的振动值急速增大。

滚动轴承在运行过程中，轴承元件的工作表面损伤点反复撞击与之相接触的其它元件表面而产生低频振动，该频率称为轴承故障特征频率。

表面剥落的故障判断可以通过查找振动信号中是否出现了某一构件的特征频率。

滚动轴承有四个组成构件，内圈、外圈、滚动体及保持架。

据统计，在滚动轴承的故障中，90 %的故障来自
于外圈和内圈故障。

特征频率可通过轴承的结构参数结合轴承的几何模型进行计算得到[3]。

1) 内圈特征频率i()f，即内圈上的某一损伤点与滚动体接触过程中产生的频率：
2) 外圈特征频率o()f，即外圈上的某一损伤点与滚动体接触过程中产生的频率：
3) 滚动体特征频率b()f，即滚动体上某一损伤点与内圈或外圈接触过程中产生的频率：
4) 保持架特征频率c()f：
式中，为滚动轴承内圈的回转频率(Hz)，fr=n/60，n为内圈的转速(r/min)；d——滚动体直径(mm)；
D——轴承节径(mm)；
z——滚动体个数；
α——压力角。

本文以小波包分析理论为依据，利用德国HEAD公司生产的四通道便携式采集前端SQuadriga进行振动信号采集，并借助于MATLAB软件进行数据分析。

用此方法对德国DMG公司生产的NEF400型数控车床主轴滚动轴承进行了故障诊断分析。

设备故障诊断技术的实施，主要包括三个环节：一是信息的采集，为分析诊断提供依据；二是信号处理，将杂乱无章的信号去伪存真，并根据分析要求进行相应的转换，以获得对诊断工作的既敏感又直观的信息；三是通过信号处理得到的信息对设备的状态进行识别和判断。

其实施过程如图2所示。

振动试验台布置如图3所示。

采用加速度传感器对测点进行主轴轴承振动信号的采集，并且分别对机床在600 r/min，1 200 r/min，1 800 r/min三种转速下的振动信号进行采集，其采样频率为600 Hz。

本文仅对转速在1 200 r/min情况下的信号进行分析。

轴承的几何尺分别为：滚动体直径d =12.7 mm；轴承节径D = 70 mm；滚动体个数z = 10；压力角α =0。

轴承的故障特征频率计算见表1。

振动信号采集的时域波形如图4所示。

从振动信号的时域波形图中不能得到故障特征频率，故我们对其用db4小波进行三层小波包分解。

由于信号的采样频率为
600 Hz，经过三层小波包分解后的各个结点频带所代表的频率范围为[0,37.5 ]，[37.5,75]，[75,112.5]，[112.5,150]，[150,187.5]，[187.5,225]，[ 225,262.5]，[262.5,300]这8个频带。

对小波包分解系数进行重构，得到各个频带的重构信号。

分解后的各结点的重构信号见图5。

从图5中看出，结点[3,0]，[3,2]，[3,5]，[3,7]对应的幅值较大，因此判断轴承的
故障频段在此范围内。

为了更加直观地显示故障特征，把小波包分解后的故障信号进行能量分析。

图6为各个频带分解的各个频带相对比例能量。

通过小波包分解
能量监测，发现除第1频带(基频)的能量比较大外，能量还转移到了第3，第6，
第8频带，与上面所提取的故障频带一致。

对反映轴承故障较为突出的频带重构信号进行功率谱分析。

图7为节点[3,2]，[3,5]，[3,7]重构信号的功率谱。

图7 清晰地显示，冲击出现的频率为119 Hz以及238.5 Hz，与轴承内圈通过频
率118.1 Hz及其二次谐波236.2 Hz非常接近。

由于实际工况的影响，实测故障
频率与理论计算值有微小误差是可接受的，因此判断滚动轴承内圈存在故障。

停机检查发现轴承内圈有磨损，与诊断结论一致。

故障信号的特征提取是进行故障诊断的基础。

本文通过小波包分析提取了机床主轴滚动轴承的故障信号，并通过实测准确判断出了轴承故障部位，验证了此方法的正确性与可行性，是分析滚动轴承故障的有效分析方法。

【相关文献】
[1] 冯冬芳,郑鹏,滕立波.用故障诊断方法判断机床主轴轴承的工作状态[J]. 组合机床与自动化加工技术, 2005(11):33-35.
[2] 安婧,伉大俪,郭海涛,等.小波变换在滚动轴承故障分析中的应用[J].中国科技信息, 2009(24):113-114.
[3] 娄斌超.机电一体化技术[M].北京:高等教育出版社, 2005.
[4] 任学平,马文生,杨文志,等.基于小波包分析的减速机故障诊断研究[J].噪声与振动控制, 2008, 28(5):73-76.
[5] 唐贵基,蔡伟.应用小波包和包络分析的滚动轴承故障诊断[J].振动、测试与诊断, 2009,
29(2):201-204.
[6] 马洪波.机床主轴轴承故障的振动诊断法[J].科技创新导报, 2008(18):17-19.
[7] 任素云,韩震宇.基于小波分解的汽车后桥故障诊断[J].煤矿机械, 2010,31(2):217-219.
[8] 余成波.数字信号处理及MATLAB实现[M].北京:清华大学出版社, 2008.
[9] 佟德纯.工程信号处理与设备诊断[M].北京:科学出版社, 2008.。