一种变转速下滚动轴承振动信号盲源分离方法

作为子信号数组的大小，将x（步平均算法为：
n）组成，则有：
结合（1）式可得：
不难发现，x（n）与
因此信号周期确定性成分得到显著增强。

当
速度可表示为：
式中φ（t）为时间t对应的角位置。

此外，
此时，y′（φ）即为信号
①对z（φ）进行短时傅里叶变换：
式中，Y（Θ，Ψ）代表对y′（φ）进行短时傅里叶变换的关系式如下：
式中，代表沿Ψ的平均运算，
————————————
刘鲲鹏（1996-），男，安徽蚌埠人，
PC端的LabVIEW平台，进行实时显示并保存。

试验对象为UC213轴承，技术参数见表1。

选取两个相同轴承，使其中一个轴承保持正常状态作为对比。

在另一轴承的内圈上加工直径为1.5mm、深0.5mm的圆坑，用于模拟点蚀故障。

试验时，电机转速为20Hz，振动信号采样频率为12kHz，采样时间为1s。

以内圈故障为例，轴承转速变化情况及其振动信号时域波形如图2所示。

在20s的试验时间内，
处于变化状态。

使用论文所提方法对信号进行盲源分离，效果，具有实际的应用价值。

3结论
论文深入分析了经典的振动信号盲源分离方法——
—确定性随机分离（DRS）的原理，在此基础上结合角域重采
图1试验台架示意图
图2轴承转速曲线及其内圈故障信号时域波形
（a）轴承信号确定性成分时域波形
（b）轴承信号随机成分时域波形
图3变转速下滚动轴承振动信号盲源分离结果
图1
Vibration,2016,362:305-326.
[4]Urbanek J,Barszcz T,M,et Normalization of vibration signals generated under highly varying speed and load with application to signal separation[J].Mechanical Systems and Signal Processing,2017,82:13-31.
[5]赵明.变转速下机械动态信息的自适应提取与状态评估西安交通大学，2017.
[6]Abboud D,Antoni J.Order-frequency analysis of machine signals[J].Mechanical Systems and Signal Processing,2017, 229-258.
（b）随机成分故障特征提取效果
（a）原始信号故障特征提取效果
图4原始信号及其随机成分故障特征提取效果。