CN109883706A - 一种滚动轴承局部损伤微弱故障特征提取方法 - Google Patents

Abstract

一种滚动轴承局部损伤微弱故障特征提取方法，使用加速度传感器采集故障滚动轴承的振动信号，使用MODWPT分解原信号至不同的节点，接下来计算各节点均方包络自相关的SK，然后选取各层中不小于最大SK一半的节点信号进行MED滤波，再依据层数叠加同层所选节点的归一化频谱信息并平均，最后合并所有层的频谱，提取滚动轴承的局部损伤故障特征；本发明给出了一种强背景噪声干扰下提取滚动轴承局部损伤故障特征的方法，为实现滚动轴承的PHM早期微弱故障特征提取提供了一种有效的诊断工具。

Description

一种滚动轴承局部损伤微弱故障特征提取方法

技术领域

本发明涉及故障诊断与信号处理分析技术领域，特别涉及一种滚动轴承局部损伤微弱故障特征提取方法。

背景技术

滚动轴承作为旋转机械的核心零部件之一，其运行状态好坏与机械设备的工作状态正常与否密切相关。存在局部损伤的故障滚动轴承工作时，会生成的冲击信号，根据损伤位置不同故障特征频率也不同可完成滚动轴承的故障诊断。在故障特征提取时，傅里叶变换是一种有效的故障特征提取方法，但受到环境噪声等强干扰的影响，原始信号中的微弱故障特征极易被淹没而难以提取，有必要结合相关的信号处理方法进行微弱故障特征提取。

合并均方包络谱方法是一种有效的故障特征提取方法，其使用最大迭代离散小波包变换(Maximal Overlap Discrete Wavelet Packet Transform，MODWPT)分解信号。MODWPT是一种特殊的小波变换，其各分解层所得信号的时间分辨率与原信号的分辨率相同，没有相位扭曲，且小波系数与尺度系数具有平移不变性。因此，原信号经MODWPT分解后不存在因降采样操作导致的时间长度减半问题，这对于小波分解后应用各小波系数的性能十分重要。在选择有用节点信号时，其通过对瞬态冲击特征明显的峭度进行选择，而峭度指标并没有考虑其频率分布的情况，对于后期通过频谱合并的方法进行特征故障提取是不利的。且需要指出的是，选定的各频带信号内同样存在噪声干扰，不益于微弱故障特征的提取。MED(Minimum Entropy Deconvolution)最早用于地震信号的处理，之后被引入故障诊断领域，对振动信号中的故障特征进行增强。MED通过迭代的方法解卷积振动信号，当达到规定的终止条件后，根据最大峭度准则输出MED最优滤波信号，用于滚动轴承的降噪分析。但滚动轴承的早期故障较微弱，对原信号直接使用MED降噪易受瞬态冲击等干扰信号的影响，难以有效提取故障特征信号。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供了一种滚动轴承局部损伤微弱故障特征提取方法，通过使用MODWPT分解信号，计算各节点均方包络自相关的SK，然后选取各层不小于最大SK的节点信号进行MED滤波，最后将所得信号的均方包络谱归一化并联合分析得到故障特征频谱，解决了滚动轴承早期微弱故障受环境噪声干扰难以提取的问题。

为了达到上述目的，本发明的技术方案是：

一种滚动轴承局部损伤微弱故障特征提取方法，具体步骤如下：

Step1、通过加速度传感器获取加速度振动信号x(t)；

Step2、将加速度振动信号x(t)使用MODWPT方法分解，得到不同中心频率f_c，不同滤波频带b_w的节点信号式中k表示第k层分解层数，k＝0,1,…,K，K为确定的最大分解层数，i表示第k层分解的第i个节点信号，i＝1,2,…,2^k，各节点信号具有相同的长度，保证了一致的时间分辨率；

Step3、对步骤Step2所得分解信号取平方，并根据Hilbert变换获取包络，接下来计算均方包络无偏自相关函数的SK(Spectrum Kurtosis)，去除各层中SK值小于该层最大SK值一半的所有节点信号，其它节点信号留作进一步分析；

Step4、使用MED方法对各层保留的节点信号进行滤波，得到故障特征增强的节点信号m为第k层选出的第m个节点信号；

Step5、计算步骤Step4中得到的各节点信号的均方包络，再使用傅里叶变换方法转换至频域，然后对各频谱进行归一化，然后依所属分解层数叠加上述频谱并取平均，得到与分解层数相同数量的频谱；

Step6、将上一步骤所得频谱进行叠加，得出最终的频谱信号，找出对应的故障特征频率，诊断滚动轴承的故障。

本发明所提出的方法通过对滚动轴承局部损伤微弱故障特征的提取，为实现强背景噪声干扰下的滚动轴承故障诊断给出了一种较为有效的方法，为实现滚动轴承PHM(Prognostic and Health Management)中提取早期局部损伤微弱故障特征提供了一种有效的诊断工具。

本发明的有益效果是：通过计算MODWPT分解后各节点均方包络谱自相关的SK，可以反映峭度分布随频率的变化，利用MED对各所选节点信号进行滤波，增强频带内的重复性故障冲击特征，通过叠加各层归一化频谱信息并平均，然后合并所有层的频谱，提取滚动轴承的局部损伤故障特征。采用本发明益于提取强干扰噪声下的微弱故障特征，适用于滚动轴承的早期故障诊断。

附图说明

图1是本发明方法步骤流程图。

图2是本发明实施例中原始振动信号。

图3是本发明图2经本发明方法得到的频谱。

图4是本发明图2经包络分析方法得到的频谱。

具体实施方式

下面结合附图和具体实施方式对本发明做详细叙述。

一种滚动轴承局部损伤微弱故障特征提取方法，具体步骤如下：

具体参数如下：1)选用美国凯斯西储大学的滚动轴承故障数据进行分析，滚动轴承为SKF的6205型，接触角为0度，节径大小为39mm，滚动体直径为7.94mm，滚动体个数为9个；2)故障类型为外滚道单点损伤，直径为0.533mm；3)采集实施例中的采样频率为12KHz，驱动电机的转速为1797r/min。

Step1、通过加速度传感器获取加速度振动信号x(t)；由于存在一定的机械松动，该信号受到强烈的调制干扰，原始信号如图2所示；

Step2、将加速度振动信号x(t)使用MODWPT方法分解，得到不同中心频率f_c，不同滤波频带b_w的节点信号式中k表示第k层分解层数，k＝0,1,…,K，设定分解层数K为5，i表示第k层分解的第i个节点信号，i＝1,2,…,2^k，各节点信号具有相同的长度，保证了一致的时间分辨率；

Step3、对步骤Step2所得分解信号取平方，并根据Hilbert变换获取包络，接下来根据公式(1)计算均方包络无偏自相关函数的SK(Spectrum Kurtosis)，去除各层中SK值小于该层最大SK值一半的所有节点信号，留作进一步分析的其它节点信号位置如表1所示；

式中，[·]表示数学期望，X(t_n,f)为频率f处信号x(t_n)的复包络信号。

表1节点信号位置

Step4、使用MED方法对各层保留的节点信号进行滤波，得到故障特征增强的节点信号m为第k层选出的第m个节点信号；

Step5、计算步骤Step4中得到的各信号的均方包络，再使用傅里叶变换方法转换至频域，然后对各频谱进行归一化，然后依所属分解层数叠加上述频谱并取平均，得到与分解层数相同数量的频谱；

Step6、将上一步骤所得频谱进行叠加，得出最终的频谱，如图3所示。图中，点划线对应上述滚动轴承的故障特征频率162.186Hz及其2阶至5阶倍频成分，可以看到，方框标注的故障特征频率比较明显，完成了滚动轴承的微弱故障诊断。为对比分析，使用当前应用较为广泛的包络分析方法处理同一组信号，所得结果如图4所示。可以看到，方框标注的故障特征频率受干扰严重，不能有效提取，且倍频成分并不明显，故障诊断失效。因此，新方法能够有效提取滚动轴承微弱故障特征。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (1)

1.一种滚动轴承局部损伤微弱故障特征提取方法，其特征在于，具体步骤如下：

Step1、通过加速度传感器获取加速度振动信号x(t)；

Step2、将加速度振动信号x(t)使用MODWPT方法分解，得到不同中心频率f_c，不同滤波频带b_w的节点信号式中k表示第k层分解层数，k＝0,1,…,K，K为确定的最大分解层数，i表示第k层分解的第i个节点信号，i＝1,2,…,2^k，各节点信号具有相同的长度，保证了一致的时间分辨率；

Step3、对步骤Step2所得分解信号取平方，并根据Hilbert变换获取包络，接下来计算均方包络无偏自相关函数的SK(Spectrum Kurtosis)，去除各层中SK值小于该层最大SK值一半的所有节点信号，其它节点信号留作进一步分析；

Step4、使用MED方法对各层保留的节点信号进行滤波，得到故障特征增强的节点信号m为第k层选出的第m个节点信号；

Step5、计算步骤Step4中得到的各节点信号的均方包络，再使用傅里叶变换方法转换至频域，然后对各频谱进行归一化，然后依所属分解层数叠加上述频谱并取平均，得到与分解层数相同数量的频谱；

Step6、将上一步骤所得频谱进行叠加，得出最终的频谱信号，找出对应的故障特征频率，诊断滚动轴承的故障。