本發(fā)明屬于物理數(shù)據(jù)測(cè)量的領(lǐng)域，具體涉及一種基于聲信號(hào)的滾動(dòng)軸承故障診斷方法、系統(tǒng)及設(shè)備。

背景技術(shù)：

1、滾動(dòng)軸承作為機(jī)械設(shè)備中的關(guān)鍵部件，其故障診斷對(duì)于保障設(shè)備正常運(yùn)行、減少維護(hù)成本以及避免突發(fā)性故障具有重要意義。聲信號(hào)分析作為一種非接觸式、實(shí)時(shí)性強(qiáng)的診斷方法，近年來(lái)在滾動(dòng)軸承故障檢測(cè)領(lǐng)域得到了廣泛關(guān)注和應(yīng)用。通過(guò)對(duì)滾動(dòng)軸承運(yùn)行時(shí)產(chǎn)生的聲信號(hào)進(jìn)行分析，可以識(shí)別出滾動(dòng)體、內(nèi)圈、外圈及保持架等部件的早期故障特征。

2、當(dāng)前的業(yè)界情況顯示，聲信號(hào)分析主要依賴(lài)于信號(hào)的分離、降噪與頻域特征提取等核心技術(shù)。然而，復(fù)雜的工業(yè)環(huán)境中存在大量的背景噪聲和混疊信號(hào)，這使得準(zhǔn)確提取滾動(dòng)軸承故障特征成為一項(xiàng)技術(shù)難題。為此，如何有效分離故障信號(hào)、降低噪聲干擾并提升特征提取的精度，是當(dāng)前業(yè)界亟待解決的關(guān)鍵問(wèn)題。

3、現(xiàn)有的滾動(dòng)軸承聲信號(hào)故障診斷技術(shù)通常包含以下幾個(gè)主要步驟：信號(hào)采集、預(yù)處理、信號(hào)分離、降噪處理及特征提取與分析。獨(dú)立成分分析（ica）作為一種常見(jiàn)的信號(hào)分離方法，被廣泛應(yīng)用于故障診斷領(lǐng)域，用于分離混疊信號(hào)，提取出目標(biāo)源信號(hào)。然而，傳統(tǒng)的信號(hào)處理方法，如ica、快速fft和經(jīng)驗(yàn)emd等，存在明顯的局限性。傳統(tǒng)的ica方法基于線性假設(shè)和非高斯性?xún)?yōu)化，通過(guò)中心化和白化處理，對(duì)信號(hào)的線性獨(dú)立成分進(jìn)行分離。這種方法的主要優(yōu)勢(shì)在于處理速度快、算法成熟，但在復(fù)雜噪聲環(huán)境下，ica的分離精度會(huì)顯著下降。尤其是在混疊信號(hào)嚴(yán)重時(shí)，ica對(duì)噪聲的敏感性導(dǎo)致分離效果不穩(wěn)定，難以提取準(zhǔn)確的故障特征信號(hào)。fft用于將時(shí)域信號(hào)轉(zhuǎn)化為頻域信號(hào)，提取信號(hào)中的頻率成分，是故障診斷中常用的頻域分析方法。然而，fft的缺陷在于無(wú)法處理非平穩(wěn)信號(hào)，對(duì)于頻率隨時(shí)間變化的故障特征響應(yīng)較差，且在存在噪聲干擾時(shí)，頻譜信息容易被掩蓋，造成頻率分量的誤判和漏判。而作為一種自適應(yīng)分解方法，emd通過(guò)逐級(jí)分解信號(hào)，提取不同頻率的內(nèi)稟模態(tài)函數(shù)（imf）。盡管emd在非線性、非平穩(wěn)信號(hào)處理中有一定優(yōu)勢(shì)，但其在實(shí)際應(yīng)用中面臨模態(tài)混疊和端點(diǎn)效應(yīng)等問(wèn)題，影響了分解的準(zhǔn)確性和魯棒性，特別是當(dāng)噪聲較大時(shí)，分解結(jié)果往往包含無(wú)關(guān)分量。

4、傳統(tǒng)的ica方法在高噪聲環(huán)境中性能較差，對(duì)背景噪聲和干擾信號(hào)的分離效果不佳，易造成誤分離，無(wú)法保證信號(hào)的高保真度。隨著工業(yè)環(huán)境噪聲的復(fù)雜性增加，ica分離后的信號(hào)質(zhì)量大幅下降，影響故障特征的提取和診斷的準(zhǔn)確性。

5、傳統(tǒng)方法多基于線性假設(shè)，無(wú)法充分處理復(fù)雜的非線性混疊信號(hào)。對(duì)于滾動(dòng)軸承故障信號(hào)中的非線性和非平穩(wěn)特征，傳統(tǒng)方法的處理能力顯著不足，導(dǎo)致信號(hào)特征提取效果差，難以識(shí)別故障類(lèi)型。

6、傳統(tǒng)的信號(hào)處理方法多使用固定的處理參數(shù)和步驟，缺乏對(duì)信號(hào)特性的自適應(yīng)優(yōu)化能力。在面對(duì)多樣化的工業(yè)信號(hào)和復(fù)雜的噪聲干擾時(shí)，固定參數(shù)的處理方法缺乏靈活調(diào)整能力，難以應(yīng)對(duì)實(shí)時(shí)性和多變性的診斷需求。

7、傳統(tǒng)的emd等方法在處理滾動(dòng)軸承聲信號(hào)時(shí)，易出現(xiàn)模態(tài)混疊和端點(diǎn)效應(yīng)，導(dǎo)致分解后的信號(hào)無(wú)法準(zhǔn)確反映原始信號(hào)特征，尤其在高噪聲條件下，模態(tài)分量中常包含無(wú)關(guān)信息，影響信號(hào)重構(gòu)和故障診斷的結(jié)果。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提出一種基于聲信號(hào)的滾動(dòng)軸承故障診斷方法、系統(tǒng)及設(shè)備，以解決現(xiàn)有技術(shù)中所存在的一個(gè)或多個(gè)技術(shù)問(wèn)題，至少提供一種有益的選擇或創(chuàng)造條件。

2、傳統(tǒng)的滾動(dòng)軸承故障診斷技術(shù)在復(fù)雜工業(yè)環(huán)境中的應(yīng)用受到噪聲干擾、非線性處理能力不足和分離精度不高等問(wèn)題的限制。隨著工業(yè)生產(chǎn)對(duì)設(shè)備可靠性和維護(hù)成本控制的需求日益增加，傳統(tǒng)方法已難以滿(mǎn)足高效、準(zhǔn)確的故障診斷要求。針對(duì)上述問(wèn)題，本發(fā)明所述的技術(shù)方案通過(guò)創(chuàng)新的信號(hào)混動(dòng)優(yōu)化、非線性分離和多模態(tài)降噪等技術(shù)手段，顯著提升了信號(hào)分離的精度和穩(wěn)定性，為滾動(dòng)軸承的故障診斷提供了更可靠的技術(shù)支持。

3、為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的一方面，提供一種基于聲信號(hào)的滾動(dòng)軸承故障診斷方法，所述方法包括以下步驟：

4、根據(jù)滾動(dòng)軸承的聲信號(hào)計(jì)算信號(hào)混疊矩陣(aliasing,在信號(hào)頻譜上可為疊頻)，通過(guò)在信號(hào)混疊矩陣中設(shè)定多個(gè)虛擬個(gè)體并令所述多個(gè)虛擬個(gè)體進(jìn)行混動(dòng)，以獲取信號(hào)混疊矩陣的混動(dòng)矩陣并對(duì)其進(jìn)行逆變換，作為估計(jì)源信號(hào)；

5、對(duì)估計(jì)源信號(hào)進(jìn)行分離處理出源信號(hào)分離矩陣；

6、對(duì)源信號(hào)分離矩陣獲取各階模態(tài)分量并從中篩選出模態(tài)濾分量；

7、對(duì)模態(tài)濾分量進(jìn)行信號(hào)重構(gòu)后，再提取其頻域特征，以用于滾動(dòng)軸承的故障診斷。

8、進(jìn)一步地，其中，在對(duì)源信號(hào)分離矩陣獲取各階模態(tài)分量的過(guò)程中，對(duì)所述源信號(hào)分離矩陣使用模態(tài)分解方法獲取各階模態(tài)分量，所述模態(tài)分解方法通過(guò)對(duì)源信號(hào)分離矩陣中加入了對(duì)稱(chēng)噪聲對(duì)源信號(hào)分離矩陣的極值點(diǎn)進(jìn)行擾動(dòng)，以降低模態(tài)混疊現(xiàn)象并提升分解精度。

9、進(jìn)一步地，其中，在對(duì)模態(tài)濾分量進(jìn)行信號(hào)重構(gòu)的步驟中，先通過(guò)計(jì)算模態(tài)分量的互相關(guān)系數(shù)，僅保留互相關(guān)系數(shù)高于預(yù)設(shè)閾值的模態(tài)分量進(jìn)行信號(hào)重構(gòu)。

10、進(jìn)一步地，其中，重構(gòu)后的信號(hào)通過(guò)傅里葉變換提取頻域特征，用于識(shí)別滾動(dòng)軸承的故障類(lèi)型。

11、進(jìn)一步地，其中，根據(jù)滾動(dòng)軸承的聲信號(hào)計(jì)算信號(hào)混疊矩陣，通過(guò)在信號(hào)混疊矩陣中設(shè)定多個(gè)虛擬個(gè)體并令所述多個(gè)虛擬個(gè)體進(jìn)行混動(dòng)，以獲取信號(hào)混疊矩陣的混動(dòng)矩陣并對(duì)其進(jìn)行逆變換，作為估計(jì)源信號(hào)，具體為：

12、在所述信號(hào)混疊矩陣中設(shè)定多個(gè)虛擬個(gè)體，每個(gè)虛擬個(gè)體代表一個(gè)候選混疊矩陣解，一個(gè)候選混疊矩陣解可以是所述信號(hào)混疊矩陣的其中一個(gè)特征值，初始化所述虛擬個(gè)體的位置，并賦予每個(gè)代理初始權(quán)重值以表示其在所述信號(hào)混疊矩陣中的適應(yīng)度；

13、每個(gè)代理根據(jù)非線性動(dòng)態(tài)規(guī)則在所述信號(hào)混疊矩陣中進(jìn)行混動(dòng)，在每輪混動(dòng)中，每個(gè)虛擬個(gè)體根據(jù)其當(dāng)前位置和適應(yīng)度值動(dòng)態(tài)調(diào)整其權(quán)重：一個(gè)虛擬個(gè)體被放置在所述信號(hào)混疊矩陣中，并在每輪混動(dòng)中移動(dòng)一次，比較每個(gè)方向上存在的虛擬個(gè)體的數(shù)量與各虛擬個(gè)體的適應(yīng)度的數(shù)值，根據(jù)每個(gè)方向上存在的虛擬個(gè)體的數(shù)量與各虛擬個(gè)體的適應(yīng)度的數(shù)值為虛擬個(gè)體的移動(dòng)選擇方向，當(dāng)存在至少兩個(gè)的虛擬個(gè)體相互處于相鄰位置時(shí)則令處于相鄰位置的虛擬個(gè)體的適應(yīng)度數(shù)值進(jìn)行混動(dòng)；

14、當(dāng)各虛擬個(gè)體的位置及其對(duì)應(yīng)的適應(yīng)度數(shù)值的二次偏導(dǎo)數(shù)值的數(shù)學(xué)期望趨于零時(shí)，則以各虛擬個(gè)體的位置上對(duì)應(yīng)所述信號(hào)混疊矩陣中相應(yīng)位置的數(shù)值進(jìn)行點(diǎn)對(duì)點(diǎn)的相乘，得到的矩陣作為信號(hào)混疊矩陣的混動(dòng)矩陣，并將所述的混動(dòng)矩陣進(jìn)行逆變換，得到所述估計(jì)源信號(hào)。

15、進(jìn)一步地，其中，對(duì)估計(jì)源信號(hào)進(jìn)行分離處理出源信號(hào)分離矩陣的方法為：

16、對(duì)所述估計(jì)源信號(hào)進(jìn)行獨(dú)立成分分析，通過(guò)用于優(yōu)化信號(hào)的獨(dú)立成分分析算法進(jìn)行所述估計(jì)源信號(hào)中獨(dú)立成分的分離，分離出所述源信號(hào)分離矩陣。

17、進(jìn)一步地，其中，對(duì)估計(jì)源信號(hào)進(jìn)行分離處理出源信號(hào)分離矩陣的方法或者為：

18、對(duì)所述估計(jì)源信號(hào)進(jìn)行中心化和白化處理，以消除各信號(hào)特征之間的線性相關(guān)性并標(biāo)準(zhǔn)化信號(hào)能量；

19、所述獨(dú)立性矩陣為能根據(jù)滾動(dòng)軸承的聲信號(hào)而計(jì)算聲信號(hào)的非高斯性度量值并能用于測(cè)量滾動(dòng)軸承的聲信號(hào)的獨(dú)立性的張量：對(duì)中心化和白化后的估計(jì)源信號(hào)，用非線性特征函數(shù)矩陣進(jìn)行處理，得到獨(dú)立性矩陣，其中，所述非線性特征函數(shù)矩陣的矩陣大小與所述估計(jì)源信號(hào)一致，所述非線性特征函數(shù)矩陣中各行列位置使用同一類(lèi)型的非線性特征函數(shù)但是其使用的非線性特征函數(shù)中變量的權(quán)重在各行列位置不完全相同，所述非線性特征函數(shù)矩陣能夠通過(guò)變換各行列位置使用的非線性特征函數(shù)中變量的權(quán)重用于令中心化和白化后的估計(jì)源信號(hào)中非高斯性度量值最大化；

20、對(duì)所述獨(dú)立性矩陣進(jìn)行正交化處理，得到源信號(hào)分離矩陣。

21、本發(fā)明還提供了一種基于聲信號(hào)的滾動(dòng)軸承故障診斷系統(tǒng)，所述一種基于聲信號(hào)的滾動(dòng)軸承故障診斷系統(tǒng)包括：處理器、存儲(chǔ)器及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述一種基于聲信號(hào)的滾動(dòng)軸承故障診斷方法中的步驟，所述一種基于聲信號(hào)的滾動(dòng)軸承故障診斷系統(tǒng)可以運(yùn)行于桌上型計(jì)算機(jī)、筆記本電腦、掌上電腦及云端數(shù)據(jù)中心等計(jì)算設(shè)備中，可運(yùn)行的系統(tǒng)可包括，但不僅限于，處理器、存儲(chǔ)器、服務(wù)器集群，所述處理器執(zhí)行所述計(jì)算機(jī)程序運(yùn)行在以下系統(tǒng)的單元中：

22、信號(hào)處理單元，用于根據(jù)滾動(dòng)軸承的聲信號(hào)計(jì)算信號(hào)混疊矩陣，通過(guò)在信號(hào)混疊矩陣中設(shè)定多個(gè)虛擬個(gè)體并令所述多個(gè)虛擬個(gè)體進(jìn)行混動(dòng)，以獲取信號(hào)混疊矩陣的混動(dòng)矩陣并對(duì)其進(jìn)行逆變換，作為估計(jì)源信號(hào)；

23、信號(hào)分離單元，用于對(duì)估計(jì)源信號(hào)進(jìn)行分離處理出源信號(hào)分離矩陣；

24、信號(hào)模擬單元，用于對(duì)源信號(hào)分離矩陣獲取各階模態(tài)分量并從中篩選出模態(tài)濾分量；

25、信號(hào)檢測(cè)單元，用于對(duì)模態(tài)濾分量進(jìn)行信號(hào)重構(gòu)后，再提取其頻域特征，以用于滾動(dòng)軸承的故障診斷。

26、對(duì)應(yīng)地，本發(fā)明還提供了一種電子設(shè)備、一種可讀存儲(chǔ)介質(zhì)和一種計(jì)算機(jī)程序產(chǎn)品：

27、一種電子設(shè)備，包括：至少一個(gè)處理器；以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行所述一種基于聲信號(hào)的滾動(dòng)軸承故障診斷方法以及其中各項(xiàng)步驟的方法。

28、一種存儲(chǔ)有計(jì)算機(jī)指令的非瞬時(shí)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其中，所述計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行所述一種基于聲信號(hào)的滾動(dòng)軸承故障診斷方法以及其中各項(xiàng)步驟的方法。

29、一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序在被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述一種基于聲信號(hào)的滾動(dòng)軸承故障診斷方法以及其中各項(xiàng)步驟的方法。

30、本發(fā)明的有益效果為：本發(fā)明提供了一種基于聲信號(hào)的滾動(dòng)軸承故障診斷方法、系統(tǒng)及設(shè)備，根據(jù)滾動(dòng)軸承的聲信號(hào)計(jì)算信號(hào)混疊矩陣，通過(guò)在信號(hào)混疊矩陣中設(shè)定多個(gè)虛擬個(gè)體并令所述多個(gè)虛擬個(gè)體進(jìn)行混動(dòng)，以獲取信號(hào)混疊矩陣的混動(dòng)矩陣并對(duì)其進(jìn)行逆變換，作為估計(jì)源信號(hào)；對(duì)估計(jì)源信號(hào)進(jìn)行分離處理出源信號(hào)分離矩陣，對(duì)源信號(hào)分離矩陣獲取各階模態(tài)分量并從中篩選出模態(tài)濾分量；對(duì)模態(tài)濾分量進(jìn)行信號(hào)重構(gòu)后，再提取其頻域特征，以用于滾動(dòng)軸承的故障診斷，顯著提升了信號(hào)分離的精度和穩(wěn)定性，為滾動(dòng)軸承的故障診斷提供了更可靠的技術(shù)支持。