CN103471848A - 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 - Google Patents

Abstract

本发明提供的是一种基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法。利用加速度传感器获取滚动轴承振动加速度测试信号；采用基于负熵最大化的FastICA对振动加速度测试信号进行解耦分离；从中选取最能表征故障特征信息的分离信号；对被选取分离信号进行倒频谱分析，并作出倒频谱图；观察倒频谱图是否存在故障特征频率或其倍频处存在明显的峰值，进而判断滚动轴承是否发生故障。本发明可将滚动轴承故障信号的特征信息从复杂的边频带信号中有效的识别出来；并能方便的提取出边频带中的故障周期性成分，故障信息明显增强，故障诊断精度大大调高，缩短了故障诊断的时间周期，简化了频谱分析的难度，易于实现，实时性好。

Description

基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法

技术领域

本发明涉及一种滚动轴承故障特征提取方法，特别涉及的是一种基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法。

背景技术

滚动轴承是旋转机械常用的重要部件，其故障是传动系统最常见的故障之一。滚动轴承故障不仅损害旋转机械的运行精度，严重时会引起整个机器停机甚至引发重大安全事故。因此，轴承故障的检测与诊断至关重要。

当前以振动信号为基础的轴承故障特征提取得到了广泛研究。然而，轴承与齿轮等动部件的振动信号在整个频带上常常耦合在一起，影响轴承故障的检测。其次，通常测得的信号也包含滚动体内外圈等元件组成的系统传递函卷积后而形成的成分，这也大大增加了故障特征提取难度。再者，当滚动轴承出现故障时,调制边频带数目增多,幅值增大,致使故障信息提取难度大，频谱分析难度增加，精度也不够高。

发明内容

本发明的目的在于提供一种易于实现，实时性好，适用于周期瞬态特征的检测并用于在线故障监测与诊断的基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法。

本发明的目的是这样实现的：

1）利用加速度传感器获取滚动轴承振动加速度测试信号；

2）采用基于负熵最大化的 FastICA（快速独立分量分析）对振动加速度测试信号进行解耦分离，获得多个分离信号；

3）从多个分离信号中选取最能表征故障特征信息的分离信号；

4）对被选取分离信号进行倒频谱分析，并作出倒频谱图，获取精确的故障特征信号；

5）观察倒频谱图是否存在故障特征频率或其倍频处存在明显的峰值，进而判断滚动轴承是否发生故障。

本发明的技术效果在于：本发明首先采用基于负熵最大化的FastICA分离方法对滚动轴承加速度测试信号进行预处理解耦分离，能一定程度上消除环境噪声对故障特征提取的影响，且能有效分离耦合的多种源信号，初步提取故障信号的冲击特征；其次，对被选取的含有故障信息的分离信号进行倒频谱分析，其取对数具有解卷积的作用,这使得对信号的分离变得较为简单，且可以消除传递函数对振源信号的影响，便于分离和提取目标故障信号；此外，倒频谱还能区别出因调制而引起的功率谱中的周期分量，能更有效地提取信号的故障冲击特征，提高诊断准确度；本发明方法易于实现，实时性好，适用于周期瞬态特征的检测并用于在线故障监测与诊断。

附图说明

图1是本发明的流程图。

图2为内圈故障滚动轴承振动加速度测试信号时域波形图。

图3为测试信号经基于负熵最大化的FastICA分离后的信号时域波形图。

图4为被选取含有故障特征信息的分离信号经倒频谱分析的倒频谱图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细阐述。应当理解，以下是实施例仅用于说明本发明，但不用来限制本发明的保护范围。

本发明实施例的一种基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法流程图如图1所示，包括以下步骤：

1）利用加速度传感器获取滚动轴承振动加速度测试信号，本发明用三个布置在不同滚动轴承位置的加速度传感器来获取三个振动加速度测试信号。

2）采用基于负熵最大化的 FastICA方法对振动加速度测试信号进行解耦分离，从而获得多个分离信号。其具体包括以下步骤：

2.1）对振动加速度测试信号数据X进行去均值和白化处理得到Z。去均值也称为中心化，即

X=X-E(X)

式中，E(·)是求均值。

中心化后的振动加速度测试信号数据X的协方差矩阵C_X可以分解为:

C_X=[XX^T]=UλU^T

其中,λ为C_X的特征值矩阵,λ=Diag(λ₁,λ₂,…,λ_N)，U为酉矩阵,则白化矩阵B表示为

B=λ^-1/2U^T

再通过白化矩阵B对中心化后的观测数据进行白化处理，即

Z=BX

白化处理后的观测数据Z各分量正交归一，协方差为单位阵，即向量间没有相关性.

2.2）随机产生W_i(0)，且||W_i(0)||₂=1。其中W_i是分离矩阵W的第i行。

2.3）迭代：W_i(k+1)=E{Zg(W_i ^T(k)Z)}-E{g'(W_i ^T(k)Z)}W_i(k)。其中，g(·)是非二次函数，g'(·)是g(·)的导数，W_i(k+1)和W_i(k)分别为W_i的第k和k+1位置的元素值。

2.4）为了保证每次提取出来的都是之前从未提取过的独立分量，需要添加正交化步骤,把已提取的独立分量W_j减去。

$W_i(k+1)=W_i(k+1)-\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}\left({W_i}^T(K+1)W_j\right)W_j,i\≥2$

2.5）为确保分离出的独立分量具有单位能量，W_i(k+1)需要归一化，W_i(k+1)=W_i(k+1)/||W_i(k+1)₂||

2.6）若W_i不收敛，则返回第2.3）步继续迭代；否则转到第2.7）步。

2.7）设m为独立分量个数，令i=1，i=i+1，若i≤m，返回第2.2）步计算W_i+1；否则，算法结束，从而得到分离矩阵W。

3）从中选取包含故障信息的分离信号。

选取原则为：由理论可知：峰值因子（C）定义为峰值与均方根之比，是衡量波形是否有冲击的指标，其表达式为:C=X_PEAK/X_RMS。在实践中，正常轴承的振动信号的峰值因子大约为2.5～3.5，高于3.5的峰值因子即预示着有故障。由于波峰的值不受轴承尺寸、转速及载荷的影响，所以通过计算各个分离信号的峰值因子的大小，可以有效地对判断信号中是否含有故障信息。

4）对被选取的分离信号进行倒频谱分析，并作出倒频谱图，以获取精确的故障特征信号，其具体包括以下步骤：

4.1）对分离信号进行傅里叶变换求功率谱S_x(f)；

4.2）进行幅值倒频谱分析，c(q)==|F^-1{logS_x(f)}|。

其中，q为倒频率，F^-1(·)为求傅里叶逆变换。

5）观察倒频谱图是否存在故障特征频率或其倍频处存在明显的峰值，进而判断滚动轴承是否发生故障

附图2.为一设置有内圈故障的SKF6205型滚动轴承加速度测试信号的时域图。轴承振动加速度信号数据来自于CWRU轴承数据中心网站。三个加速度信号分别有安装在基座、机壳的驱动端和输出端上的加速度传感器来拾取。轴承的局部损伤是由电火花机在轴承内圈人工加工制作，直径为0.05334cm,转速为1774r/min，载荷为0.735KW，内圈故障的特征频率为160Hz。

附图3.为内圈故障滚动轴承测试信号经过基于负熵最大FastICA分离之后的时域图。

附图4.为对选取的分离信号3进行倒频谱分析后的倒频谱图。首先，分别计算三个分离信号的峰值因子得到第1个分离信号的C1=3.49≈3.5，第2个分离信号的C2=3.29＜3.5，第3个分离信号的C3=5.77＞3.5，所以可以判定第3个分离信号包含故障信息，然后对第3个分离信号进行倒频谱分析，并作出其倒频谱图。从倒频谱图4中，得到峰值较大的频率分别约为 32Hz=1/31.25×10^-3、160Hz=1/6.25×10^-3、222Hz=1/4.5×10^-3、480Hz=1/2.083×10^-3、769HZ=1/1.3×10^-3，从中发现，在倒频谱中，出现了以轴频的周期结构。其中32Hz与轴的转频 1774/60（约为30Hz）比较吻合，这因为实际值与理论计算值有所误差。同时发现 222Hz、480Hz、769Hz 分别约为轴频的 7 倍、15 倍、24倍的倍频，这说明以轴的旋转频率为调制频率的调制现象。此外，内圈故障的特征频率160Hz也精确的被提取出来。进而可以断定，是滚动轴承发生了故障。从而验证了基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法的有效性与精确性。

Claims (5)

1.一种基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法，其特征是包括如下步骤：

1）利用加速度传感器获取滚动轴承振动加速度测试信号；

2）采用基于负熵最大化的 FastICA对振动加速度测试信号进行解耦分离，获得多个分离信号；

3）从多个分离信号中选取最能表征故障特征信息的分离信号；

4）对被选取分离信号进行倒频谱分析，并作出倒频谱图，获取精确的故障特征信号；

5）观察倒频谱图是否存在故障特征频率或其倍频处存在明显的峰值，进而判断滚动轴承是否发生故障。

2.根据权利要求1所述的基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法，其特征是所述采用基于负熵最大化的 FastICA对振动加速度测试信号进行解耦分离具体包括：

2.1）对振动加速度测试信号数据X进行去均值和白化处理得到Z，去均值也称为中心化，即

X=X-E(X)

式中，E(·)是求均值；

中心化后的振动加速度测试信号数据X的协方差矩阵C_X分解为:

C_X=[XX^T]=UλU^T

其中,λ为C_X的特征值矩阵,λ=Diag(λ₁,λ₂,…,λ_N)，U为酉矩阵,则白化矩阵B表示为

B=λ^-1/2U^T

再通过白化矩阵B对中心化后的观测数据进行白化处理，即

Z=BX

白化处理后的观测数据Z各分量正交归一，协方差为单位阵，即向量间没有相关性；

2.2）随机产生W_i(0)，且||W_i(0)||₂=1，其中W_i是分离矩阵W的第i行；

2.3）迭代：W_i(k+1)=E{Zg(W_i ^T(k)Z)}-E{g'(W_i ^T(k)Z)}W_i(k)，其中，g(·)是非二次函数，g'(·)是g(·)的导数，W_i(k+1)和W_i(k)分别为W_i的第k和k+1位置的元素值；

2.4）正交化,把已提取的独立分量W_j减去，

$W_i(k+1)=W_i(k+1)-\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}\left({W_i}^T(k+1)W_j\right)W_j,i\≥2;$

2.5）对W_i(k+1)归一化，W_i(k+1)=W_i(k+1)/||W_i(k+1)₂||；

2.6）若W_i不收敛，则返回第2.3）步继续迭代；否则转到第2.7）步；

2.7）设m为独立分量个数，令i=1，i=i+1，若i≤m，返回第2.2）步计算W_i+1；否则，结束，从而得到分离矩阵W。

3.根据权利要求1或2所述的基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法，其特征是所述最能表征故障特征信息的分离信号是峰值因子高于3.5的分离信号。

4.根据权利要求1或2所述的基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法，其特征是所述对被选取分离信号进行倒频谱分析并作出倒频谱图具体包括：

4.1）对分离信号进行傅里叶变换求功率谱S_x(f)；

4.2）进行幅值倒频谱分析，c(q)==|F^-1{logS_x(f)}|，

其中，q为倒频率，F^-1(·)为求傅里叶逆变换。

5.根据权利要求3所述的基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法，其特征是所述对被选取分离信号进行倒频谱分析并作出倒频谱图具体包括：

4.1）对分离信号进行傅里叶变换求功率谱S_x(f)；

4.2）进行幅值倒频谱分析，c(q)==|F^-1{logS_x(f)}|，

其中，q为倒频率，F^-1(·)为求傅里叶逆变换。

Images