CN109187023B - 一种汽车发电机轴承故障诊断方法 - Google Patents

Abstract

本发明属于汽车维修领域，涉及一种汽车发电机轴承故障诊断方法。首先，采集4通道发电机轴承故障信号，使用改进的固有时间尺度分解将每个通道的原始信号分解为固有旋转分量和单调趋势项。将固有旋转分量按分解尺度重构成1组，计算各重构的固有旋转分量的自相关系数，选取最大相关分量构造Hankel矩阵并进行增强多分辨奇异值分解，得到相应的近似信号和细节信号。最后，选取最优细节分量做希尔伯特包络变换，确定故障类型。一方面利用改进的固有时间尺度分解并融合多通道信号，有效地提高信噪比，抑制噪声；另一方面，增强多分辨奇异值分解进一步对信号细化提纯，得到准确的故障信息，并通过希尔伯特包络解调确定轴承故障类型。

Description

一种汽车发电机轴承故障诊断方法

技术领域

本发明属于汽车维修领域，具体涉及一种汽车发电机轴承故障诊断方法。

背景技术

汽车发电机是汽车点火系统的重要组成部分，其功能是为汽车提供主要电源。发动机正常运转时，发电机向起动机除外的所有用电设备供电，同时给蓄电池充电。发电机轴承的好坏直接影响到发电机的功能，关系到整车的运行状况。因此，及时发现和诊断发电机轴承故障至关重要。当发电机轴承发生故障，特别是复合故障，其振动信号非平稳且特征非常复杂，并受环境中的噪声污染。轴承故障冲击十分微弱，从复杂的故障信号中提取出有用的信息难以实现。因此，如何尽早发现故障、诊断故障是目前学术界热切关注的问题。

发明内容

本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种汽车发电机轴承故障诊断方法。

本发明所采取的技术方案如下：一种汽车发电机轴承故障诊断方法，其特征在于包括以下步骤：

(1)采集4通道发电机轴承故障信号，利用改进的固有时间尺度分解将4通道原始信号进行分解：给定原始信号X(t)，改进的固有时间尺度分解将其自适应地分解为固有旋转分量和单调趋势项；

(2)信号重构：将同一尺度的固有旋转分量叠加并取均值，得到一组增强的固有旋转分量，计算各重构固有旋转分量的自相关系数，选择系数最大的分量；

(3)利用多分辨奇异值分解进一步提取故障特征信号：将系数最大的分量构造Hankel矩阵并进行增强多分辨奇异值分解，得到相应的近似信号和细节信号；

(4)诊断出轴承故障：对步骤(3)中获得的故障特征最丰富的细节信号进行Hilbert包络谱分析，提取故障特征信息，从而诊断出轴承的故障类型。

改进的固有时间尺度分解(Improved Intrinsic Time-scale Decomposition，IITD)，本质上是利用Akima插值法有效改善固有时间尺度分解(ITD)的毛刺和失真问题。IITD将原始信号分解为一系列固有旋转分量(Proper Rotation Component，PRC)和一个单调趋势项。ITD方法利用信号的线性变换提取基线信号，导致分解后的分量信号出现毛刺而失真，因此IITD采用Akima插值法改进前者的缺点。

步骤(1)中具体步骤如下：

第1步：寻找信号{X_t,t≥0}的所有局部极值点X_k及其对应的时刻τ_k(k＝1,2,...,M)，M是极值点总数，定义τ₀＝0；

第2步：定义LX_t＝L_t，HX_t＝H_t，在连续极值点区间[τ_k,τ_k+1]上定义分段的线性基线提取算子L：

式(1)中，

式(2)中，0<α<1；

第3步：用波形匹配延拓法对时间序列信号端点处理，得到两端极点值(τ₀,X₀)，(τ_M+1,X_M+1)，令k分别为0和M-1，然后根据式(1)和(2)求出L₁和L_M的值，利用Akima插值法拟合所有的L_k，得到基线信号L₁(t)；

第4步：把基线信号从原始信号中分离出来，得到h₁(t)：

h₁(t)＝X(t)-L₁(t) (3)

h₁(t)为一个固有旋转分量，即h₁(t)＝PRC₁，若基线信号L_k+1≠0，把h₁(t)作为原始信号重复以上分离过程，直到L_k+1＝0，一共循环k次，最后一个PRC分量h_1k(t)＝PRC₁，在实际中，可以设定一个阈值△，当|L_k+1|<△时，循环结束；

第5步：把PRC₁从原始信号中分离出来，得到一个残余信号：

r₁(t)＝X_t-PRC₁ (4)

将r₁(t)作为原始信号重复以上步骤，得到X_t的第二个PRC分量PRC₂；重复循环n-1次，直到r_n(t)为一个单调函数或一个常数，结束循环，得到第n个分量PRC_n，至此，原始信号X_t被分解为n个固有旋转分量和1个趋势项：

奇异值分解(SVD)广泛应用于信号处理和故障诊断等工程实践中，然而SVD方法得到的结果都处于同一层次空间、统一分辨率上。对重构信号做增强多分辨奇异值分解(Multi-resolution singular value decomposition,MRSVD)，获得具有不同分辨率的近似信号和细节信号，展现信号不同层次的概貌和细节特征，从而提取隐藏的周期性故障冲击特征。MRSVD借鉴小波多分辨思想，可以获得信号在不同层次空间和不同分辨率的分解结果。本发明采用的IITD增强多分辨奇异值分解方法，能更有效地提取微弱故障特征。

步骤(3)中提取故障特征信号的具体步骤如下：

MRSVD采用二分递推思想构造行数为2的Hankel矩阵对信号进行分析，记故障原始信号序列为X＝[x₁,x₂,...,x_n]，n为信号长度，构造矩阵A：

对矩阵A进行奇异值分解，得到：

A＝σ₁₁u₁₁ν₁₁ ^T+σ₁₂u₁₂ν₁₂ ^T＝A₁+D₁ (7)

式(7)中，σ₁₁和σ₁₂为分解得到的奇异值，令σ₁₁为较大的奇异值，则与其相对应的重构子信号A₁为第一层近似信号，反应原始信号的主体，那么，σ₁₂对应的重构子信号D₁为第一层细节信号，反应原始信号的细节；

选取上述近似分量A₁构造二分Hankel矩阵，进行奇异值分解，得到第二组具有不同分辨率的近似信号和细节信号，展现原始信号不同分辨率下的细化特征。这样，经过多层分解，原信号的主体和细节特征以多层次的形式展现出来。这种分解模式类似于小波分解，但克服了小波分解的相漂移问题，分解结果更精准。

步骤(4)中，根据峭度准则，选取故障特征最丰富的细节信号。峭度指标反映振动信号分布的数值统计量，峭度越大，说明信号中的冲击成分比重越大。

本发明的有益效果如下：本发明一方面利用改进的固有时间尺度分解并融合多通道信号，有效地提高信噪比，抑制噪声；另一方面，增强多分辨奇异值分解进一步对信号细化提纯，得到准确的故障信息，并通过希尔伯特包络解调确定轴承故障类型，可高效检测汽车发电机轴承故障。根据本发明所公开的方法，可以进一步开发相关的汽车发电机轴承故障诊断系统，应用于汽车维修领域，可以尽早发现汽车发电机轴承故障以及诊断故障。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为汽车发电机轴承故障诊断方法的流程示意图；

图2为实施案例1外圈原始信号的时域波形和希尔伯特包络谱图，(a)为外圈原始信号时域图，(b)外圈原始信号包络谱图；

图3为实施案例1各PRC分量相关系数；

图4为实施案例1IITD+MRSVD细节信号时域图和包络谱图，(a)为IITD+MRSVD细节信号时域图，(b)为IITD+MRSVD细节信号时域图；

图5为实施案例2内圈原始信号的时域波形和希尔伯特包络谱图，(a)为内圈原始信号时域图，(b)为内圈原始信号包络谱图；

图6为实施案例2各PRC分量相关系数；

图7为实施案例2IITD+MRSVD细节信号时域图和包络谱图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

一种汽车发电机轴承故障诊断方法，流程如图1所示，包括以下步骤：

1、利用改进的固有时间尺度分解将4通道原始信号进行分解。

ITD方法利用信号的线性变换提取基线信号，导致分解后的分量信号出现毛刺而失真，因此IITD采用Akima插值法改进前者的缺点。给定原始信号X(t)，IITD将其自适应地分解为一系列固有旋转分量和一个残余项。具体步骤如下：

第1步：寻找信号{X_t,t≥0}的所有局部极值点X_k及其对应的时刻τ_k(k＝1,2,...,M)，M是极值点总数。定义τ₀＝0。

第2步：定义LX_t＝L_t，HX_t＝H_t，在连续极值点区间[τ_k,τ_k+1]上定义分段的线性基线提取算子L：

式(1)中，

式(2)中，0<α<1，通常取α＝0.5。

第3步：用波形匹配延拓法对时间序列信号端点处理，得到两端极点值(τ₀,X₀)，(τ_M+1,X_M+1)，令k分别为0和M-1，然后根据式(1)和(2)求出L₁和L_M的值。利用Akima插值法拟合所有的L_k，得到基线信号L₁(t)。

第4步：把基线信号从原始信号中分离出来，得到h₁(t)：

h₁(t)＝X(t)-L₁(t) (3)

h₁(t)为一个固有旋转分量，即h₁(t)＝PRC₁。若基线信号L_k+1≠0，把h₁(t)作为原始信号重复以上分离过程。直到L_k+1＝0，一共循环k次，最后一个PRC分量h_1k(t)＝PRC₁。在实际中，可以设定一个阈值△，当|L_k+1|<△时，循环结束。

第5步：把PRC₁从原始信号中分离出来，得到一个残余信号：

r₁(t)＝X_t-PRC₁ (4)

将r₁(t)作为原始信号重复以上步骤，得到X_t的第二个PRC分量PRC₂。重复循环n-1次，直到r_n(t)为一个单调函数或一个常数，结束循环，得到第n个分量PRC_n。至此，原始信号X_t被分解为n个固有旋转分量和1个趋势项：

2、信号重构

将同一尺度的固有旋转分量叠加并取均值，得到一组增强的固有旋转分量。计算各重构固有旋转分量的自相关系数，选择系数最大的分量，作为增强多分辨奇异值分解的输入。

3、利用多分辨奇异值分解进一步提取故障特征信号

奇异值分解(SVD)广泛应用于信号处理和故障诊断等工程实践中，然而SVD方法得到的结果都处于同一层次空间、统一分辨率上。MRSVD借鉴小波多分辨思想，可以获得信号在不同层次空间和不同分辨率的分解结果。本文采用的IITD增强多分辨奇异值分解方法，能更有效地提取微弱故障特征。MRSVD采用二分递推思想构造行数为2的Hankel矩阵对信号进行分析，记故障原始信号序列为X＝[x₁,x₂,...,x_n]，n为信号长度，构造矩阵A：

对矩阵A进行奇异值分解，得到：

A＝σ₁₁u₁₁ν₁₁ ^T+σ₁₂u₁₂ν₁₂ ^T＝A₁+D₁ (7)

式(7)中，σ₁₁和σ₁₂为分解得到的奇异值。令σ₁₁为较大的奇异值，则与其相对应的重构子信号A₁为第一层近似信号，反应原始信号的主体。那么，σ₁₂对应的重构子信号D₁为第一层细节信号，反应原始信号的细节。选取上述近似分量A₁构造二分Hankel矩阵，进行奇异值分解，得到第二组具有不同分辨率的近似信号和细节信号，展现原始信号不同分辨率下的细化特征。这样，经过多层分解，原信号的主体和细节特征以多层次的形式展现出来。这种分解模式类似于小波分解，但克服了小波分解的相漂移问题，分解结果更精准。

峭度指标反映振动信号分布的数值统计量，峭度越大，说明信号中的冲击成分比重越大。峭度的数学表达式为：

式(8)中，N表示采样点数，x(i)表示离散化的时频分量信号，X_rms表示离散化均方根值：

根据峭度准则，选取故障特征最丰富的细节信号。

4、诊断出轴承故障

对上一步中获得的故障特征最丰富的细节信号进行Hilbert包络谱分析，提取故障特征信息，从而诊断出轴承的故障类型。

为验证增强多分辨奇异值分解的汽车发电机轴承故障诊断方法的有效性，取某车型发电机轴承内外圈故障信号进行验证：

实施案例1：汽车发电机轴承外圈故障诊断

故障轴承型号为6205，基本信息如下：滚动体数n＝9个，滚动体直径d＝7.94mm，轴承节径D＝39.0398mm。各试验参数如下：轴承空载运行转速Rev＝1800r/min，采样频率f_s＝12kHz。根据轴承外圈故障特征频率计算公式：

式(10)中，α表示轴承接触角，计算得到外圈故障特征频率为107.5Hz。

外圈原始信号的时域波形和希尔伯特包络谱图如图2所示，可以看到包络谱图谱线杂乱，无法确定故障类型。对4通道原始信号进行IITD分解，分解层数为4层，去掉残余项，得到4组共12个PRC分量。将同一尺度的固有旋转分量叠加取平均值，得到一组增强的固有旋转分量。计算各分量自相关系数，结果如图3，选择系数最大的信号进一步做增强的多分辨奇异值分解，分解层数为4层，选取峭度最大的细节信号，其时域波形和希尔伯特包络谱如图4所示，从图4(b)中可以明显看到外圈故障特征频率108Hz及其二倍频216Hz，三倍频324Hz等倍频，从而诊断出轴承外圈故障。

实施案例2：轴承内圈故障诊断

取上述轴承内圈故障信号，轴承空载运行转速Rev＝1800r/min，采样频率f_s＝12kHz，轴承内圈故障特征频率计算公式为：

通过计算，得到内圈故障特征频率为162.5Hz。

内圈原始信号的时域波形和希尔伯特包络谱图如图5所示，由于噪声干扰，无论是时域还是频域，都无法判断故障类型。对4通道原始信号进行IITD分解，分解层数为4层，去除残余项，得到4组共12个固有旋转分量。将同一尺度的分量叠加取平均，得到增强的PRC分量。计算每个分量的自相关系数，结果如图6所示，保留自相关系数最大固有旋转分量，滤除噪声。将最相关固有旋转分量进一步做增强的多分辨奇异值分解，分阶层数为4层，计算各细节的峭度，选择峭度最大的细节信号，如图7(a)，将其做希尔伯特包络谱分析如图7(b)所示，可以明显看到内圈故障特征频率162Hz及其二倍频324Hz，三倍频486Hz，从而诊断出轴承内圈故障。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (1)

1.一种汽车发电机轴承故障诊断方法，其特征在于包括以下步骤：

(1)采集4通道发电机轴承故障信号，利用改进的固有时间尺度分解将4通道原始信号进行分解：给定原始信号X(t)，改进的固有时间尺度分解将其自适应地分解为固有旋转分量和单调趋势项；

(2)信号重构：将同一尺度的固有旋转分量叠加并取均值，得到一组增强的固有旋转分量，计算各重构固有旋转分量的自相关系数，选择系数最大的分量；

(3)利用多分辨奇异值分解进一步提取故障特征信号：将系数最大的分量构造Hankel矩阵并进行增强多分辨奇异值分解，得到相应的近似信号和细节信号；

(4)诊断出轴承故障：对步骤(3)中获得的故障特征最丰富的细节信号进行Hilbert包络谱分析，提取故障特征信息，从而诊断出轴承的故障类型；

步骤(1)中具体步骤如下：

第1步：寻找信号{X_t,t≥0}的所有局部极值点X_k及其对应的时刻τ_k(k＝1,2,...,M)，M是极值点总数，定义τ₀＝0；

第2步：定义LX_t＝L_t，HX_t＝H_t，在连续极值点区间[τ_k,τ_k+1]上定义分段的线性基线提取算子L：

式(1)中，

式(2)中，0＜α＜1；

第3步：用波形匹配延拓法对时间序列信号端点处理，得到两端极点值(τ₀,X₀)，(τ_M+1,X_M+1)，令k分别为0和M-1，然后根据式(1)和(2)求出L₁和L_M的值，利用Akima插值法拟合所有的L_k，得到基线信号L₁(t)；

第4步：把基线信号从原始信号中分离出来，得到h₁(t)：

h₁(t)＝X(t)-L₁(t) (3)；

h₁(t)为一个固有旋转分量，即h₁(t)＝PRC₁，若基线信号L_k+1≠0，把h₁(t)作为原始信号重复以上分离过程，直到L_k+1＝0，一共循环k次，最后一个PRC分量h_1k(t)＝PRC₁；

第5步：把PRC₁从原始信号中分离出来，得到一个残余信号：

r₁(t)＝X_t-PRC₁ (4)；

将r₁(t)作为原始信号重复以上步骤，得到X_t的第二个PRC分量PRC₂；重复循环n-1次，直到r_n(t)为一个单调函数或一个常数，结束循环，得到第n个分量PRC_n，至此，原始信号X_t被分解为n个固有旋转分量和1个趋势项：

步骤(3)中提取故障特征信号的具体步骤如下：

记故障原始信号序列为X＝[x₁,x₂,...,x_n]，n为信号长度，构造矩阵A：

对矩阵A进行奇异值分解，得到：

A＝σ₁₁u₁₁ν₁₁ ^T+σ₁₂u₁₂ν₁₂ ^T＝A₁+D₁ (7)

式(7)中，σ₁₁和σ₁₂为分解得到的奇异值，令σ₁₁为较大的奇异值，则与其相对应的重构子信号A₁为第一层近似信号，反应原始信号的主体，那么，σ₁₂对应的重构子信号D₁为第一层细节信号，反应原始信号的细节；

选取上述近似分量A₁构造二分Hankel矩阵，进行奇异值分解，得到第二组具有不同分辨率的近似信号和细节信号；

步骤(4)中，根据峭度准则，选取故障特征最丰富的细节信号。

Images