CN104155108B - 一种基于振动时频分析的滚动轴承故障诊断方法 - Google Patents

Abstract

一种基于振动时频分析的滚动轴承故障诊断方法：利用振动加速度传感器采集滚动轴承正常条件和故障条件下的振动信号；利用改进后的固有时间尺度分解方法对采集到的振动信号进行分解，生成若干个固有时间尺度分量和残差信号；计算各固有时间尺度分量与振动信号的相关性，选择相关性排在前5位的固有时间尺度分量作为相关分量，剔除噪声信号和伪分量；分别计算各相关分量的魏格纳分布，并进行线性叠加得到原信号的魏格纳时频图；提取魏格纳时频图的差分分形盒维数和图像熵作为故障特征；利用马氏距离建立故障特征与故障类型的映射关系实现故障诊断。本发明解决了Wigner分布交叉项的干扰，确定了差分分形盒维数和图像熵两种具有代表性的故障特征。

Description

一种基于振动时频分析的滚动轴承故障诊断方法

技术领域

本发明涉及一种滚动轴承故障诊断方法。特别是涉及一种基于振动时频分析的滚动轴承故障诊断方法。

背景技术

振动分析是对滚动轴承进行故障诊断的最简单最直接手段，振动分析方法可以分为时域分析法、频域分析法和时频分析法。其中时频分析方法由于能够综合反映振动信号随时间和频率的变化情况一直是研究的热点。魏格纳(Wigner)分布是一种典型的时频分析方法，具有良好的时频聚集性能够反应振动信号的本质特征，但它只适用于处理单分量信号，当处理滚动轴承振动信号这种多分量信号时，由于交叉项的干扰会导致生成的Wigner时频图不准确，从而限制了它的应用。

采用信号分解技术对多分量信号进行分解是解决Wigner分布交叉项问题的最有效手段，但典型的信号分解技术如小波变换和经验模态分解等在实际应用中都存在着各自的问题。小波变换本质是对时频面的机械划分不具有自适应性，此外小波基函数的选择过于依赖经验，选择不同的基函数将会对分解结果产生重大的影响；经验模态分解是一种自适应的时频分析方法，但它存在端点效应、无法解释负频率以及由于采用三次样条插值带来的过包络、欠包络等问题。Frei等提出了固有时间尺度分解方法，它解决了经验模态分解的一些固有缺陷，并且在非平稳脑电波信号的分析中取得了不错的效果。但是由于滚动轴承振动信号更为复杂，想要将固有时间尺度分解用于滚动轴承故障振动信号的分析仍然需要对其平滑方法和端点效应等问题进行优化。

此外，故障特征提取没有明确的标准，为了满足故障诊断精度的要求通常需要提取多个故障特征，这就使得计算量大大增加，同时随着特征数目的增加特征间的冗余将会限制故障诊断精度的进一步提高。在故障模式识别方面，常规方法如：神经网络、支持向量机等模型较为复杂，且对使用者的专业知识也有较高要求，不适于滚动轴承在线诊断。如何获取典型的故障特征，建立便于理解且计算复杂度较低的故障识别模型是滚动轴承在线诊断研究的重点。

发明内容

本发明所要解决的技术问题是，提供一种能够去除Wigner分布交叉项干扰，提取具有代表性的故障特征，建立简单高效的故障识别模型的基于振动时频分析的滚动轴承故障诊断方法。

本发明所采用的技术方案是：一种基于振动时频分析的滚动轴承故障诊断方法，包括以下步骤：

(1)利用振动加速度传感器采集滚动轴承正常条件和故障条件下的振动信号；

(2)对固有时间尺度分解中的插值方法和端点效应处理方法进行改进，并利用改进后的固有时间尺度分解方法对采集到的振动信号x(t)进行分解，生成若干个固有时间尺度分量HF_m(t)和残差信号u_n(t)：

(3)计算各固有时间尺度分量HF_m(t)与振动信号x(t)的相关性，选择相关性排在前5位的固有时间尺度分量作为相关分量，剔除噪声信号和伪分量；

(4)分别计算各相关分量的魏格纳分布，并进行线性叠加得到原信号的魏格纳时频图；

(5)提取魏格纳时频图的差分分形盒维数和图像熵作为故障特征；

(6)利用马氏距离建立故障特征与故障类型的映射关系实现故障诊断。

步骤(2)中所述的改进的固有时间尺度分解中的插值方法，是采用分段埃尔米特插值代替原固有时间尺度分解算法中的线性插值拟合基线信号。

步骤(2)中所述的改进的固有时间尺度分解中的端点效应处理方法，是采用最小二乘支持向量机延拓解决端点效应，并利用模拟蛙跳算法对最小二乘支持向量机的核函数参数和惩罚因子进行优化。

步骤(3)中所述的相关性是采用互信息进行度量，即

其中X和Y为随机变量，I(X；Y)为随机变量X和Y的互信息，p(x)为随机变量X的概率密度函数，p(y)为随机变量Y的概率密度函数，p(x,y)为随机变量X和Y的联合概率密度函数。

本发明的一种基于振动时频分析的滚动轴承故障诊断方法，解决了Wigner分布交叉项的干扰，确定了差分分形盒维数和图像熵两种具有代表性的故障特征，建立了基于马氏距离的故障识别模型，可以快速准确的识别轴承故障类型，适用于滚动轴承的在线诊断。

附图说明

图1是本发明提出的故障诊断方法基本流程图；

图2a是滚动轴承正常状态振动信号；

图2b是滚动轴承内圈故障状态振动信号；

图2c是滚动轴承外圈故障状态振动信号；

图2d是滚动轴承滚动体故障状态振动信号；

图3是内圈故障振动信号经过改进固有时间尺度分解后得到的固有时间尺度分量和残差信号；

图4是对内圈故障信号Wigner时频图。

具体实施方式

下面结合实施例和附图对本发明的一种基于振动时频分析的滚动轴承故障诊断方法做出详细说明。

本发明的一种基于振动时频分析的滚动轴承故障诊断方法，如图1所示，包括以下步骤：

(1)利用振动加速度传感器采集滚动轴承正常条件和故障条件下的振动信号；

(2)对固有时间尺度分解中的插值方法和端点效应处理方法进行改进，并利用改进后的固有时间尺度分解方法对对采集到的振动信号x(t)进行分解，生成若干个固有时间尺度分量HF_m(t)和残差信号u_n(t)：

其中，所述的改进的固有时间尺度分解中的插值方法，是采用分段埃尔米特(hermite)插值代替原固有时间尺度分解算法中的线性插值拟合基线信号；所述的改进的固有时间尺度分解中的端点效应处理方法，是采用最小二乘支持向量机延拓解决端点效应，并利用模拟蛙跳算法对最小二乘支持向量机的核函数参数和惩罚因子进行优化；

(3)计算各固有时间尺度分量HF_m(t)与振动信号x(t)的相关性，选择相关性排在前5位的固有时间尺度分量作为相关分量，剔除噪声信号和伪分量，所述的相关性是采用互信息进行度量，即

其中X和Y为随机变量，I(X；Y)为随机变量X和Y的互信息，p(x)为随机变量X的概率密度函数，p(y)为随机变量Y的概率密度函数，p(x,y)为随机变量X和Y的联合概率密度函数。；

(4)分别计算各相关分量的Wigner分布，并进行线性叠加得到原信号的魏格纳时频图；

(5)提取Wigner时频图的差分分形盒维数和图像熵作为故障特征；

(6)利用马氏距离建立故障特征与故障类型的映射关系实现故障诊断。

下面用实例说明本发明的一种基于振动时频分析的滚动轴承故障诊断方法，但不用来限制本发明的范围。

本实例采用6205-2Rs型深沟球滚动轴承的实验数据进行验证，该实验使用电火花加工技术在滚动轴承内圈、外圈和滚动体上分别布置了单点故障，故障直径为0.007英寸。

如图1所示，包括以下步骤：

步骤1，利用振动加速度传感器采集滚动轴承正常、内圈故障、外圈故障和滚动体故障各20组信号，共获得80组信号，采样频率为12000Hz，滚动轴承四种状态振动信号如图2a、图2b、图2c、图2d所示。

步骤2，对固有尺度分解的平滑方法和端点效应进行改进，措施包括：(1)采用分段hermite插值代替原固有尺度分解算法中的线性插值拟合基线信号；(2)采用最小二乘支持向量机延拓解决端点效应，并利用模拟蛙跳算法对最小二乘支持向量机的核函数参数和惩罚因子进行优化。利用改进固有尺度分解对振动信号x(t)进行分解，从而实现将多分量非平稳信号分解为若干个固有时间尺度分量HF_m(t)和残差信号u_n(t)。

以内圈故障为例，其振动信号的改进固有尺度分解如图3所示，从上到下1-10个信号分别对应固有时间尺度分量1-10，第11个信号对应残差信号。

步骤3，按下式计算各固有时间尺度分量HF_m(t)与振动信号x(t)的互信息并排序，选择互信息值较大的前5个固有时间尺度分量作为相关分量。

其中I(X；Y)为随机变量X和Y的互信息，p(x)为随机变量X的概率密度函数，p(y)为随机变量Y的概率密度函数，p(x,y)为随机变量X和Y的联合概率密度函数。

步骤4，分别计算各相关分量的Wigner分布，并进行线性叠加得到原信号的Wigner时频图，以内圈故障为例，其Wigner时频图如图4所示。

步骤5，提取Wigner时频图的差分分形盒维数和图像熵作为故障特征；

步骤6，利用马氏距离建立故障特征与故障类型的映射关系实现故障诊断，具体包括以下步骤：

步骤6.1，每种工况随机选择10组样本进行训练，其余10组样本进行测试；

步骤6.2，计算同种工况下所有训练样本特征值的均值向量和协方差矩阵C，其中j＝1,2,3,4分别对应轴承正常、内圈故障、外圈故障和滚动体故障4种状态，即为各状态下的标准特征向量；

步骤6.3，计算测试样本y_i与各状态下标准特征向量的马氏距离di：

步骤6.4，比较d_i1,d_i2,d_i3,d_i4的大小，取其中的最小判别距离所对应的状态作为被诊断样本y_i的故障类型。

诊断结果显示：40组测试数据只出现了1组误判(将滚动体故障误诊为外圈故障)，总诊断正确率为97.5％，部分诊断结果如表1所示。

表1 部分样本诊断结果

Claims (1)

1.一种基于振动时频分析的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

(1)利用振动加速度传感器采集滚动轴承正常条件和故障条件下的振动信号；

(2)对固有时间尺度分解中的插值方法和端点效应处理方法进行改进，并利用改进后的固有时间尺度分解方法对采集到的振动信号x(t)进行分解，生成若干个固有时间尺度分量HF_m(t)和残差信号u_n(t)：

$x\left(t\right)=\underset{m=1}{\overset{n}{\Σ}}{\mathrm{HF}}_m\left(t\right)+u_n\left(t\right);$

所述的改进的固有时间尺度分解中的插值方法，是采用分段埃尔米特插值代替原固有时间尺度分解算法中的线性插值拟合基线信号；所述的改进的固有时间尺度分解中的端点效应处理方法，是采用最小二乘支持向量机延拓解决端点效应，并利用模拟蛙跳算法对最小二乘支持向量机的核函数参数和惩罚因子进行优化；

(3)计算各固有时间尺度分量HF_m(t)与振动信号x(t)的相关性，选择相关性排在前5位的固有时间尺度分量作为相关分量，剔除噪声信号和伪分量；

所述的相关性是采用互信息进行度量，即

$I(X;Y)=-{\∫}_y{\∫}_{x}p(x,y)log\frac{p(x,y)}{p\left(x\right)p\left(y\right)}dxdy$

其中X和Y为随机变量，I(X；Y)为随机变量X和Y的互信息，p(x)为随机变量X的概率密度函数，p(y)为随机变量Y的概率密度函数，p(x,y)为随机变量X和Y的联合概率密度函数；

(4)分别计算各相关分量的魏格纳分布，并进行线性叠加得到原信号的魏格纳时频图；

(5)提取魏格纳时频图的差分分形盒维数和图像熵作为故障特征；

(6)利用马氏距离建立故障特征与故障类型的映射关系实现故障诊断。