一種基于時頻域多維振動特征融合的滾動軸承故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于自動化檢測及模式識別領(lǐng)域，具體涉及旋轉(zhuǎn)機械故障診斷和智能識別 方法。
【背景技術(shù)】
[0002] 滾動軸承的故障診斷大概始于20世紀60年代，經(jīng)過幾十年的迅猛發(fā)展，到現(xiàn)在已 經(jīng)成為一個融合了機械檢測領(lǐng)域和自動控制領(lǐng)域以及模式識別領(lǐng)域的綜合性應(yīng)用學(xué)科。
[0003] 滾動軸承作為機械設(shè)備中的關(guān)鍵部件，其狀態(tài)對機械系統(tǒng)的正常運行起著至關(guān)重 要的作用。影響滾動軸承運行狀態(tài)的因素有很多如溫度、機械和環(huán)境因素，有些故障是瞬間 產(chǎn)生的，而有些是緩慢長期退化引起的，由此產(chǎn)生的滾動軸承故障形式是多樣的，引起的故 障嚴重程度也有差別。滾動軸承由外環(huán)、內(nèi)環(huán)、滾子和保持架等單元組成。滾動軸承的故障 復(fù)雜性還體現(xiàn)在單元故障特征多樣性以及單元的故障原因不唯一，通過軸承故障診斷，定 位軸承故障單元，對找出故障原因起著關(guān)鍵作用。
[0004] 1946年，Gabor提出的短時傅里葉變換是最早提出的一種時頻分析方法，只適于 分析在時間窗內(nèi)平穩(wěn)的一些緩變的非平穩(wěn)信號，時間窗內(nèi)的分辨率是固定不變的。經(jīng)驗?zāi)?態(tài)分解（EMD)最早由美國國家宇航局的美籍華人NordenE.Huang于1996年提出，是一種 基于經(jīng)驗的非線性、非平穩(wěn)信號分析方法，目前尚未有原理證明該方法的科學(xué)性。EMD提取 的IMF個數(shù)的判別算法并不完善，容易出現(xiàn)端點效應(yīng)，丟失信號的頻率信息，使診斷精度受 到影響，并且提取信號邊際譜和Hilbert譜的算法時間復(fù)雜度高，不利于實際操作。小波包 分析是基于時頻域的信號處理方法，其良好的局部優(yōu)化性質(zhì)，使得小波包分析在處理非平 穩(wěn)信號上表現(xiàn)出多尺度和對突變信號的探測能力，成為故障診斷和信號分析領(lǐng)域的研究的 執(zhí)占。
[0005] 單一的時域特征和頻域特征所反映的信號特征不全面，時域特征無法反映頻域的 振動信息，同樣在頻域分析中無法反映出時域的特征趨勢。以往的故障診斷中，都是提取 單一域的特征，或者提取少量典型特征進行診斷分析，診斷精度有限，這就迫切需要更加全 面的診斷算法，來實現(xiàn)診斷精度的突破。并且在智能判別算法上，神經(jīng)網(wǎng)絡(luò)等各種非線性分 類器的算法復(fù)雜度要高，而采用特征指標距進行分類，不僅降低算法復(fù)雜度，還利于編程實 現(xiàn)，具有良好的工程應(yīng)用價值。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明目的在于從更全面，更高精度和更小復(fù)雜度方面優(yōu)化滾動軸承故障診斷技 術(shù)，提出了一種基于時頻域多維振動特征融合的滾動軸承故障診斷方法，該方法全面反映 滾動軸承振動信號的特征，并且在很短的時間內(nèi)完成很高的診斷正確率，同時易于實現(xiàn)軸 承的實時在線監(jiān)測，該方案的具體步驟如下：
[0007] 消噪器對采集到的滾動軸承振動信號進行自適應(yīng)閾值的小波消噪處理；
[0008] 特征參數(shù)提取器對消噪后的不同工況下的滾動軸承的振動信息，提取多個時域特 征參數(shù)，每個時域特征參數(shù)選取多組樣本組成時域特征矩陣；
[0009] 小波包分解器對消噪后的不同工況下的滾動軸承的振動信息，進行小波包分解， 小波包重構(gòu)器重構(gòu)分解后的小波包系數(shù)；
[0010] 計算處理器對重構(gòu)的小波包系數(shù)進行能量矩計算，得到小波包能量矩陣；
[0011] 所述計算處理器將時域矩陣和頻域矩陣融合為多維特征矩陣，用相關(guān)系數(shù)法剔除 診斷精度不高的冗余特征向量，生成新的多維特征矩陣；
[0012] 所述計算處理器求出滾動軸承多維特征矩陣的指標距；根據(jù)多維特征指標距判斷 滾動軸承的狀態(tài)屬性。
[0013] 該方案的特點首先給出了多維特征矩陣的定義，全面反映了振動信號的時域和頻 域特征，提高診斷精度；然后，去除診斷效果較差的特征的影響，減少特征冗余，提高算法的 計算時間復(fù)雜度；第三，采用多維特征指標距進行智能診斷，提高診斷效率，采用各種編譯 器都容易進行算法實現(xiàn)。
【附圖說明】
[0014] 圖1是多維時頻域振動特征融合的滾動軸承故障診斷流程圖
[0015] 圖2是正常滾動軸承原始振動信號和消噪后振動信號對比
[0016] 圖3是內(nèi)環(huán)故障滾動軸承原始振動信號和消噪后振動信號對比
[0017] 圖4是提取的四種狀態(tài)下的軸承振動信號時域特征對比圖
[0018] 圖5是時域特征診斷可靠度對比圖
[0019] 圖6是頻域特征均值和方差
[0020] 圖7是多維特征矩陣去冗余結(jié)果
[0021] 圖8是特征指標距的診斷結(jié)果圖
【具體實施方式】
[0022] 本發(fā)明所提出的基于多特征參量的滾動軸承故障診斷方法流程圖如圖1所示：
[0023] SlOL消噪器對采集到的滾動軸承振動信號進行自適應(yīng)閾值的小波消噪處理；
[0024] 消噪器對采集的原始的滾動軸承振動信號進行自適應(yīng)閾值的小波消噪處理。滾動 軸承在運行中往往受到附近設(shè)備振動以及其它外界因素的影響，在實際應(yīng)用中，消噪器需 要對信號進行消噪處理，去除干擾信息，以保證滾動軸承故障診斷真實可靠。消噪采用小波 自適應(yīng)閾值的方法進行，通過下式先對二進小波變換系數(shù)進行壓縮，獲得閾值消噪后 的小波系數(shù)au進行重構(gòu)獲得滿足最小均方誤差的消噪結(jié)果：
【主權(quán)項】
1. 一種基于多維時頻域特征矩陣的滾動軸承故障診斷方法，其特征在于包括以下步 驟： 消噪器對采集到的滾動軸承振動信號進行自適應(yīng)閾值的小波消噪處理； 特征參數(shù)提取器對消噪后的不同工況下的滾動軸承的振動信息，提取多個時域特征參 數(shù)，每個時域特征參數(shù)選取多組樣本組成時域特征矩陣； 小波包分解器對消噪后的不同工況下的滾動軸承的振動信息，進行小波包分解，小波 包重構(gòu)器重構(gòu)分解后的小波包系數(shù)； 計算處理器對重構(gòu)的小波包系數(shù)進行能量矩計算，得到小波包能量矩陣； 所述計算處理器將時域矩陣和頻域矩陣融合為多維特征矩陣，用相關(guān)系數(shù)法剔除診斷 精度不高的冗余特征向量，生成新的多維特征矩陣； 所述計算處理器求出滾動軸承多維特征矩陣的指標距；根據(jù)多維特征指標距判斷滾動 軸承的狀態(tài)屬性。
2. 根據(jù)權(quán)利要求1所述的滾動軸承故障診斷方法，其特征在于，多維特征矩陣為由一 組軸承振動樣本提取的不同特征參量組成的特征矩岸
其中，r表示樣本組數(shù)，s表示特征個數(shù)，A為多維特征矩陣。
3. 根據(jù)權(quán)利要求1所述的滾動軸承故障診斷方法，其特征在于，所述消噪器對采集到 的滾動軸承振動信號進行自適應(yīng)閾值的小波消噪處理，包括： 通過公式
對二進小波變換系數(shù)ωu進行壓縮，獲得 閾值消噪后的小波系數(shù)au進行重構(gòu)獲得滿足最小均方誤差的消噪結(jié)果，其中，為尺 度j的第k點的小波系數(shù)，％為尺度j的小波變換系數(shù)均值，&為尺度j下的消噪閾值水 平，a j;k為經(jīng)過消噪后在尺度j的第k點的小波系數(shù)； 利用函數(shù)
進行閾值估計，其中，Cu是第j尺度下小波系數(shù)的各個 局部成分的復(fù)雜度的最大值，Cmax是等長的高斯白噪聲復(fù)雜度，是置信度，Tu是第j尺 度的具有最大復(fù)雜度的局部成分魯棒估計。
4. 根據(jù)權(quán)利要求1所述的滾動軸承故障診斷方法，其特征在于，所述多個時域特征參 數(shù)包括峭度、峰值、裕度、波形、脈沖和偏態(tài)。
5. 根據(jù)權(quán)利要求1所述的滾動軸承故障診斷方法，其特征在于，所述計算處理器對重 構(gòu)的小波包系數(shù)進行能量矩計算，包括： 利用公式
2求出離散頻帶的能量矩數(shù)值，其中A u為小波包重構(gòu)系 數(shù)，△ t為采樣周期，i為采樣點，j為系數(shù)序號，η為采樣點總數(shù)； 提取歸一化的能量矩特征向量，包括：構(gòu)造向量PKb E11E2,...，Em]，并根據(jù)公式
G將其歸一化，W為頻域特征矩陣。
6. 根據(jù)權(quán)利要求1所述的滾動軸承故障診斷方法，其特征在于，所述計算處理器將時 域矩陣和頻域矩陣融合為多維特征矩陣，包括：將時域-頻域特征進行融合，融合矩陣為
，其中η為測試樣本數(shù)。
7. 根據(jù)權(quán)利要求書1所述的滾動軸承故障診斷方法，其特征在于，相關(guān)系數(shù)組成的相 關(guān)系數(shù)矩陣表示為
求出所有特征的相關(guān)系數(shù)，形成相關(guān)系數(shù)矩 陣。m、n為互不相等的類別代碼，V為特征總數(shù)。
8. 根據(jù)權(quán)利要求書7所述的滾動軸承故障診斷方法，其特征在于，相關(guān)系數(shù)矩陣通過 硬閾值轉(zhuǎn)化為布爾矩陣，布爾矩陣的每一列是否為全零列，是判斷該特征是否冗余的標準。
9. 根據(jù)權(quán)利要求1所述的滾動軸承故障診斷方法，其特征在于，所述多維特征指標距 即為多維特征內(nèi)各個特征參量與均值的歐氏距離。
10. 根據(jù)權(quán)利要求9所述的滾動軸承故障診斷方法，其特征在于，所述歐氏距離的權(quán)值 入為特征向量對應(yīng)的相關(guān)系數(shù)的占空比。
【專利摘要】本發(fā)明提出了一種基于時頻域多維故障特征融合的滾動軸承故障診斷算法，針對滾動軸承的正常狀態(tài)、滾子故障、內(nèi)環(huán)故障和外環(huán)故障四種狀態(tài)下的振動信號在時頻域上各自的特點，采取提取時域、頻域特征，去冗余，再融合的思路，對故障特點進行優(yōu)化描述，并得出智能判別結(jié)果。首先對提取的原始滾動軸承振動數(shù)據(jù)進行小波消噪，然后提取時域特征向量組成時域特征矩陣，并且提取小波包分解和重構(gòu)后的系數(shù)能量矩組成頻域特征矩陣，進一步融合時頻域矩陣，得到時頻域的多維故障特征矩陣。對多維特征矩陣進行去冗余處理，得到新的多維特征矩陣。然后用加權(quán)的特征指標距將多維特征進行信息融合，通過融合得到的特征指標距得出滾動軸承的狀態(tài)的判別結(jié)果。
【IPC分類】G01M13-04
【公開號】CN104655423
【申請?zhí)枴緾N201310581237
【發(fā)明人】付云驍, 賈利民, 呂勁松, 季常煦, 姚德臣, 李乾, 盧勇
【申請人】北京交通大學(xué), 廣州市地下鐵道總公司
【公開日】2015年5月27日
【申請日】2013年11月19日