CN108956141A - 基于模平方阈值—FastICA的滚动轴承降噪方法 - Google Patents

Abstract

本发明涉及一种基于模平方阈值—FastICA的滚动轴承降噪方法，其步骤：采集设备采集滚动轴承的原始振动信号；将采集到的滚动轴承原始振动信号进行模平方阈值降噪，得到模平方阈值降噪后的信号；将模平方阈值降噪后的信号与原始振动信号组成输入矩阵，进行FastICA降噪，得到两个独立分量；判断两个独立分量的时域波形，选择包含较多故障信息的独立分量进行Hilbert包络和FFT，得到经模平方阈值—FastICA降噪后信号的时域波形图和频谱图；令模平方阈值—FastICA降噪后信号为y_f,求原始信号与y_f的峭度值，根据峭度值判断原始振动信号是否存在故障以及模平方阈值—FastICA的降噪效果，由降噪后信号的频谱图提取滚动轴承原始振动信号的特征频率成分，根据特征频率成分判断滚动轴承是否存在故障以及故障类型。

Description

基于模平方阈值—FastICA的滚动轴承降噪方法

技术领域

本发明涉及一种滚动轴承降噪方法，特别是关于一种在风力发电机组中应用 的基于模平方阈值—FastICA的滚动轴承降噪方法。

背景技术

滚动轴承作为旋转机械如齿轮箱、涡轮机械的核心部件之一，其健康状况极 大影响着机器的稳定性和寿命。受工作环境的影响，滚动轴承原始振动信号中常 常夹杂着噪声，轴承的故障信号容易被噪声信号所淹没，给滚动轴承的故障特征 提取带来了困难，所以有效的信号降噪方法可以显著提高滚动轴承故障诊断的准 确率。

发明内容

针对上述问题，本发明的目的是提供一种基于模平方阈值—FastICA的滚动轴 承降噪方法，其能有效降低滚动轴承原始振动信号所含干扰噪声，提高滚动轴承 的特征提取和故障诊断的准确率。

为实现上述目的，本发明采取以下技术方案：一种基于模平方阈值—FastICA 的滚动轴承降噪方法，其特征在于包括以下步骤：1)通过现有数据采集设备采集 滚动轴承的原始振动信号y₁；2)将采集到的滚动轴承原始振动信号y₁进行模平方 阈值降噪，得到模平方阈值降噪后的信号y_m；3)将模平方阈值降噪后的信号y_m与 原始振动信号y₁组成输入矩阵Y＝[y₁；y_m]，进行FastICA降噪，得到两个独立分量 IC1和IC2；4)判断两个独立分量IC1和IC2的时域波形，选择包含较多故障信 息的独立分量进行Hilbert包络和FFT，得到经模平方阈值—FastICA降噪后信号 的时域波形图和频谱图；5)令模平方阈值—FastICA降噪后信号为y_f,求原始信 号y₁与y_f的峭度值，根据峭度值判断原始振动信号y₁是否存在故障以及模平方阈 值—FastICA的降噪效果，由降噪后信号的频谱图提取滚动轴承原始振动信号y₁的 特征频率成分，根据特征频率成分判断滚动轴承是否存在故障以及故障类型。

进一步，所述步骤2)中，模平方阈值降噪具体步骤为：2.1)对原始振动信 号y₁进行小波阈值降噪；2.2)提取小波分解后振动信号每层的细节系数cd₁,cd₂,cd₃与最后一层的近似系数ca₃，运用模平方小波阈值方法对每层的细节系数进行处 理。

进一步，所述步骤2.1)中，首先选择小波分解的分解层数为3层与小波基函 数db3，对滚动轴承原始振动信号采用小波分解函数wavedec进行分解。

进一步，所述步骤2.2)中，每层的细节系数处理步骤为：2.2.1)利用公式调整每一层的阈值，经公式调整后得到不同分 解尺度的阈值λ₁,λ₂,λ₃；其中，λ_j为每一层的阈值；j为分解尺度，j＝1,2,3；N为 采集到的滚动轴承振动信号的长度；cd_j,k为第j层第k个细节系数；median()为返 回第一层细节系数的中值；2.2.2)利用得到的阈值对每一层的细节系数进行处理， 重复步骤2.2.1)～2.2.2)得到每一层的新的细节系数2.2.3)将新 的细节系数与最后一层的近似系数ca₃组成新的小波分解结构，利用小 波重构函数waverec进行小波重构，重构后得到模平方阈值降噪后的信号y_m。

进一步，所述步骤2.2.2)中，细节系数处理为：当细节系数cd_j的绝对值小 于该层阈值λ_j时将其置0，当细节系数cd_j的绝对值大于或等于该层阈值λ_j时则将 其代入公式得到第j层第k个新的细节系数 sign()为符号函数。

进一步，所述步骤3)中，基于负熵的FastICA降噪的具体步骤如下：3.1)对 输入矩阵Y进行中心化，使其均值为0；3.2)对中心化后的数据进行白化处理，得 到白化后的数据z；3.3)选择需要估计的独立成分的个数m，设迭代次数p←1； 3.4)随机选取一个具有单位范数的初始权矢量w_p；3.5)迭代计算，即更新w_p： 其中T为矩阵转置，E[·]为均值运算，g[·]为非线 性函数,取g(y)＝tanh(a₁y),其中y为随机变量，a₁为常数；3.6)进行正交： 3.7)标准化w_p：w_p←w_p/||w_p||；3.8)假如w_p尚未收 敛，则返回步骤3.5)；3.9)使p←p+1,若p≤m,则返回步骤3.4)，若p＞m,则 结束；3.10)令W(:,n)＝w_p,则Z＝W′*z,Z为模平方阈值降噪后的信号y_m与原始 振动信号y₁组成的输入矩阵Y经过FastICA处理后的结果；3.11)经过3次迭代后终 止，得到两个独立分量IC1和IC2。

进一步，所述步骤5)中，峭度值计算公式为：

其中，x_i为信号值，为信号均值，σ为标准差，N为采集到的滚动轴承振动 信号的长度。

本发明由于采取以上技术方案，其具有以下优点：1、本发明采用模平方阈值 降噪方法对风力发电机组的故障振动信号进行降噪，有效地减少了噪声对故障信 息的干扰，克服了应用FastICA降噪时的欠定问题。2、本发明降噪后的滚动轴承 故障信号经FastICA进行盲源分离后，可以实现故障信息和噪声的分离，有效的 滤除噪声。3、本发明采用频谱分析可以凸显滚动轴承故障特征信息，有利于故障 特征的提取。提高故障诊断准确率。

附图说明

图1是本发明的整体流程示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提供一种基于模平方阈值—FastICA的滚动轴承降噪方 法，该方法用于滚动轴承特征提取和故障诊断。其包括以下步骤：

1)通过现有数据采集设备采集滚动轴承的原始振动信号y₁。

2)将采集到的滚动轴承原始振动信号y₁进行模平方阈值降噪。其具体步骤如 下：

2.1)对原始振动信号y₁进行小波阈值降噪，首先选择小波分解的分解层数为 3层与小波基函数db3，对滚动轴承原始振动信号采用小波分解函数wavedec进行 分解。

2.2)提取小波分解后振动信号每层的细节系数cd₁,cd₂,cd₃与最后一层的近似 系数ca₃，运用模平方小波阈值方法对每层的细节系数进行处理，其具体步骤如下:

2.2.1)利用公式调整每一层的阈值，经 公式调整后得到不同分解尺度的阈值λ₁,λ₂,λ₃；

其中，λ_j为每一层的阈值；j为分解尺度，j＝1,2,3；N为采集到的滚动轴承振 动信号的长度；cd_j,k为第j层第k个细节系数；median()为返回第一层细节系数的 中值。

2.2.2)利用得到的阈值对每一层的细节系数进行处理：当细节系数cd_j的绝 对值小于该层阈值λ_j时将其置0，当细节系数cd_j的绝对值大于或等于该层阈值λ 时则将其代入公式得到第j层第k个新的细节系数 sign()为符号函数；以此重复步骤2.2.1)～2.2.2)则可得到每一层的新的 细节系数

2.2.3)将步骤2.2.2)得到的新的细节系数与最后一层的近似系 数ca₃组成新的小波分解结构，利用小波重构函数waverec进行小波重构，重构后 得到模平方阈值降噪后的信号y_m。

3)将模平方阈值降噪后的信号y_m与原始振动信号y₁组成输入矩阵Y＝[y₁；y_m]， 进行基于负熵的FastICA降噪。基于负熵的FastICA降噪的具体步骤如下：

3.1)对输入矩阵Y进行中心化，使其均值为0；

3.2)对中心化后的数据进行白化处理得到，得到白化后的数据z；

3.3)选择需要估计的独立成分的个数m，设迭代次数p←1；

3.4)随机选取一个具有单位范数的初始权矢量w_p；

3.5)迭代计算，即更新w_p：其中T为矩阵 转置，E[·]为均值运算，g[·]为非线性函数,可取g(y)＝tanh(a₁y),其中y为随机变量， a₁为常数，由于a₁取在1≤a₁≤2范围内比较合适，故本实施例中取a₁＝1；

3.6)进行正交：

3.7)标准化w_p：w_p←w_p/||w_p||；

3.8)假如w_p尚未收敛，则返回步骤3.5)；

3.9)使p←p+1,若p≤m,则返回步骤3.4)，若p＞m,则结束。

3.10)令W(:,n)＝w_p,则Z＝W′*z,Z为模平方阈值降噪后的信号y_m与原始振 动信号y₁组成的输入矩阵Y经过FastICA处理后的结果。W′为W的转置。

3.11)经过3次迭代后终止，得到两个独立分量IC1和IC2，即为分析所得的 频率成分。

4)判断两个独立分量IC1和IC2的时域波形，选择包含较多故障信息的独立 分量进行Hilbert包络和FFT(快速傅里叶变换)，得到经模平方阈值—FastICA 降噪后信号的时域波形图和频谱图。

5)令模平方阈值—FastICA降噪后信号为y_f,求原始信号y₁与y_f的峭度值， 根据峭度值判断滚动轴承原始振动信号y₁是否存在故障以及模平方阈值— FastICA的降噪效果，由降噪后信号的频谱图提取滚动轴承原始振动信号y₁的特征 频率成分，根据特征频率成分判断滚动轴承是否存在故障以及故障类型。

其中，峭度值计算公式为：

其中，x_i为信号值，为信号均值，σ为标准差，N为采集到的滚动轴承振动 信号的长度。轴承正常运转时，振动信号的峭度值约为3，当轴承故障开始出现时， 峭度值增大，峭度值越大说明含有的故障信息越多，故障越严重，故障诊断的效 率越高。

上述各实施例仅用于说明本发明，各部件的结构、尺寸、设置位置及形状都 是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别部件 进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (7)

1.一种基于模平方阈值—FastICA的滚动轴承降噪方法，其特征在于包括以下步骤：

1)通过现有数据采集设备采集滚动轴承的原始振动信号y₁；

2)将采集到的滚动轴承原始振动信号y₁进行模平方阈值降噪，得到模平方阈值降噪后的信号y_m；

3)将模平方阈值降噪后的信号y_m与原始振动信号y₁组成输入矩阵Y＝[y₁；y_m]，进行FastICA降噪，得到两个独立分量IC1和IC2；

4)判断两个独立分量IC1和IC2的时域波形，选择包含较多故障信息的独立分量进行Hilbert包络和FFT，得到经模平方阈值—FastICA降噪后信号的时域波形图和频谱图；

5)令模平方阈值—FastICA降噪后信号为y_f,求原始信号y₁与y_f的峭度值，根据峭度值判断原始振动信号y₁是否存在故障以及模平方阈值—FastICA的降噪效果，由降噪后信号的频谱图提取滚动轴承原始振动信号y₁的特征频率成分，根据特征频率成分判断滚动轴承是否存在故障以及故障类型。

2.如权利要求1所述滚动轴承降噪方法，其特征在于：所述步骤2)中，模平方阈值降噪具体步骤为：

2.1)对原始振动信号y₁进行小波阈值降噪；

2.2)提取小波分解后振动信号每层的细节系数cd₁,cd₂,cd₃与最后一层的近似系数ca₃，运用模平方小波阈值方法对每层的细节系数进行处理。

3.如权利要求2所述滚动轴承降噪方法，其特征在于：所述步骤2.1)中，首先选择小波分解的分解层数为3层与小波基函数db3，对滚动轴承原始振动信号采用小波分解函数wavedec进行分解。

4.如权利要求2所述滚动轴承降噪方法，其特征在于：所述步骤2.2)中，每层的细节系数处理步骤为:

2.2.1)利用公式调整每一层的阈值，经公式调整后得到不同分解尺度的阈值λ₁,λ₂,λ₃；

其中，λ_j为每一层的阈值；j为分解尺度，j＝1,2,3；N为采集到的滚动轴承振动信号的长度；cd_j,k为第j层第k个细节系数；median()为返回第一层细节系数的中值；

2.2.2)利用得到的阈值对每一层的细节系数进行处理，重复步骤2.2.1)～2.2.2)得到每一层的新的细节系数

2.2.3)将新的细节系数与最后一层的近似系数ca₃组成新的小波分解结构，利用小波重构函数waverec进行小波重构，重构后得到模平方阈值降噪后的信号y_m。

5.如权利要求4所述滚动轴承降噪方法，其特征在于：所述步骤2.2.2)中，细节系数处理为：当细节系数cd_j的绝对值小于该层阈值λ_j时将其置0，当细节系数cd_j的绝对值大于或等于该层阈值λ_j时则将其代入公式得到第j层第k个新的细节系数sign()为符号函数。

6.如权利要求1-5任一项所述滚动轴承降噪方法，其特征在于：所述步骤3)中，基于负熵的FastICA降噪的具体步骤如下：

3.1)对输入矩阵Y进行中心化，使其均值为0；

3.2)对中心化后的数据进行白化处理，得到白化后的数据z；

3.3)选择需要估计的独立成分的个数m，设迭代次数p←1；

3.4)随机选取一个具有单位范数的初始权矢量w_p；

3.5)迭代计算，即更新w_p：其中T为矩阵转置，E[·]为均值运算，g[·]为非线性函数,取g(y)＝tanh(a₁y),其中y为随机变量，a₁为常数；

3.6)进行正交：

3.7)标准化w_p：w_p←w_p/||w_p||；

3.8)假如w_p尚未收敛，则返回步骤3.5)；

3.9)使p←p+1,若p≤m,则返回步骤3.4)，若p＞m,则结束；

3.10)令W(:,n)＝w_p,则Z＝W′*z,Z为模平方阈值降噪后的信号y_m与原始振动信号y₁组成的输入矩阵Y经过FastICA处理后的结果；

3.11)经过3次迭代后终止，得到两个独立分量IC1和IC2。

7.如权利要求1-5任一项所述滚动轴承降噪方法，其特征在于：所述步骤5)中，峭度值计算公式为：

其中，x_i为信号值，为信号均值，σ为标准差，N为采集到的滚动轴承振动信号的长度。