CN109916626A - 滚动轴承复合故障确定的方法及终端设备 - Google Patents

Abstract

本发明适用于轴承复合故障分离技术领域，提供了一种滚动轴承复合故障确定的方法及终端设备，该方法包括：获取滚动轴承的振动信号和不同故障的解卷积周期；根据不同故障的解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号；对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型，可以清晰并准确地分离提取出混合信号中的单一故障源信号，有效放大并提取出隐藏的微弱特征信息，从而全面、准确地甄别滚动轴承状态。

Description

滚动轴承复合故障确定的方法及终端设备

技术领域

本发明属于轴承复合故障分离技术领域，尤其涉及一种滚动轴承复合故障确定的方法及终端设备。

背景技术

近年来，风能作为一种可再生能源在世界范围内受到越来越多的关注。然而，风电机组的工作环境恶劣，风力不稳定，负载波动范围大，容易发生故障。滚动轴承是旋转机械的关键部件之一，被广泛的应用于风电机组中。据统计，在使用滚动轴承的旋转机械中，大约有30％的机械故障都是由于滚动轴承引起的，而且在实际的风电机组运行过程中，故障往往不会单独出现，一种故障往往会引起其他故障的发生，进而出现多个故障并存的状态。复合故障是指在旋转机械中同时发生多个故障并且所有故障特征耦合在一起的故障，复合故障信号并不是单一故障信号的简单叠加，而是不同元件故障特征相互混杂，彼此干扰，使得振动信号更加复杂，因此，给风电机组滚动轴承复合故障诊断带来了很大难度。

发明内容

有鉴于此，本发明实施例提供了一种滚动轴承复合故障确定的方法及终端设备，可以清晰并准确地分离提取出混合信号中的单一故障源信号，有效放大并提取出隐藏的微弱特征信息，从而全面、准确地甄别滚动轴承状态。

本发明实施例的第一方面提供了一种滚动轴承复合故障确定的方法，包括：

获取滚动轴承的振动信号和不同故障的解卷积周期；

根据不同故障的解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号；

对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型。

在一实施例中，所述获取不同故障的解卷积周期，包括：

获取所述滚动轴承的结构参数；

根据所述结构参数，获取所述滚动轴承的至少两个理论故障特征频率；

获取所述滚动轴承的采样频率；

根据所述至少两个所述理论故障特征频率和所述采样频率，获取不同故障的解卷积周期。

在一实施例中，所述根据不同故障的所述解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号，包括：

获取最优滤波器；

根据所述最优滤波器和不同故障的解卷积周期对所述振动信号进行重构，获取解卷积信号。

在一实施例中，所述根据所述最优滤波器和不同故障的所述解卷积周期对所述振动信号进行重构，获取解卷积信号，包括：

根据y(n)＝f(n)*x(n)，获取解卷积信号，所述y(n)表示n时刻的解卷积信号，所述f(n)表示n时刻的最优滤波器，所述x(n)表示n时刻的振动信号。

在一实施例中，所述对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型，包括：

对所述解卷积信号进行Teager峭度谱分析，获取所述振动信号的峭度谱；

将所述滚动轴承的理论故障特征频率与所述振动信号的峭度谱进行对比，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型。

在一实施例中，所述对所述解卷积信号进行Teager峭度谱分析，获取所述振动信号的峭度谱，包括：

输出不同时刻的解卷积信号对应的Teager能量算子；

根据输出的所述Teager能量算子，计算信号源能量；

根据所述信号源能量，计算所述解卷积信号的Teager峭度值；

根据预设的滑动窗长度以及所述解卷积信号的Teager峭度值，获取所述解卷积信号的滑动Teager峭度时间序列；

根据所述滑动Teager峭度时间序列，获取所述振动信号的峭度谱。

在一实施例中，所述Teager能量算子为：

ψ[y(n)]＝y²(n)-y(n+1)y(n-1)

其中，所述y(n+1)表示(n+1)时刻的解卷积信号，所述y(n-1)表示(n-1)时刻的解卷积信号；

所述根据所述信号源能量，计算所述解卷积信号的Teager峭度值，包括：

根据c_4y＝E{ψ²[y(n)]}-3(E{ψ[y(n)]})²，计算所述解卷积信号的Teager峭度值，所述c_4y表示解卷积信号的Teager峭度，所述E{ψ[y(n)]}表示n时刻的信号源能量；

所述根据所述滑动Teager峭度时间序列，获取所述振动信号的峭度谱，包括：

根据多个不同的滑动窗长度，确定多个滑动Teager峭度时间序列，每个滑动Teager峭度时间序列对应一个滑动窗长度；

计算各个所述滑动Teager峭度时间序列所对应的Teager峭度值，并将各个Teager峭度值中最大Teager峭度值所对应的滑动Teager峭度时间序列作为所述振动信号的峭度谱。

本发明实施例的第二方面提供了一种滚动轴承复合故障确定的装置，包括：

获取模块，用于获取滚动轴承的振动信号和不同故障的解卷积周期；

解卷积模块，用于根据不同故障的解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号；

处理模块，用于对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型。

本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如滚动轴承复合故障确定的所述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如滚动轴承复合故障确定的所述方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：通过获取滚动轴承的振动信号和不同故障的解卷积周期；根据不同故障的解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号；对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型，可以很好地抑制噪声，追踪信号的瞬时能量变化，反应信号的非高斯性特征。当风电机组滚动轴承发生故障时，振动信号由于存在幅值调制等现象，冲击信号偏离高斯分布。因此，Teager峭度谱能够用于风电机组滚动轴承故障诊断，可以清晰并准确地分离提取出混合信号中的单一故障源信号，有效放大并提取出隐藏的微弱特征信息，从而全面、准确地甄别滚动轴承状态。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的滚动轴承复合故障确定的方法的实现流程示意图；

图2是本发明实施例提供的获取不同故障的解卷积周期的实现流程示意图；

图3是本发明实施例提供的获取解卷积信的交互流程示意图；

图4是本发明实施例提供的确定滚动轴承的复合故障类型的交互流程示意图；

图5是本发明实施例提供的获取振动信号的峭度谱的交互流程示意图；

图6(A)是本发明实施例提供的滚动轴承的内圈解卷积信号示意图；

图6(B)是本发明实施例提供的滚动轴承的内圈的振动信号的峭度谱示意图；

图7(A)是本发明实施例提供的滚动轴承的外圈解卷积信号示意图；

图7(B)是本发明实施例提供的滚动轴承的外圈的振动信号的峭度谱示意图；

图8是本发明实施例提供的滚动轴承复合故障确定的装置的示意图；

图9是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1为本发明实施例提供的一种滚动轴承复合故障确定的方法的实现流程示意图，详述如下。

步骤101，获取滚动轴承的振动信号和不同故障的解卷积周期。

可选的，如图2所示，步骤101中获取不同故障的解卷积周期的实现流程可以包括以下步骤。

步骤201，获取所述滚动轴承的结构参数。

可选的，本步骤中的滚动轴承的结构参数可以包括：滚动轴承节径、滚动体直径、滚动体个数、接触角度以及使用的电机的转速等。

步骤202，根据所述结构参数，获取所述滚动轴承的至少两个理论故障特征频率。

可选的，步骤202中获取所述滚动轴承的至少两个理论故障特征频率，可以为获取滚动轴承的内圈故障特征频率、外圈故障特征频率。

例如，采用SKF620型号的滚动轴承，利用电火花线切割机在滚动轴承内、外圈滚道上同时加工凹槽时，使用的电机的转频可以采用f_r表示。滚动轴承的节径为39.04mm，滚动体直径为7.94mm，滚动体个数为9个，接触角为0°。则可以根据计算滚动轴承的内圈理论故障特征频率，其中，Z表示滚动体个数，d表示滚动体直径，D表示轴承节径，β表示接触角度。可以根据计算滚动轴承的外圈理论故障特征频率。

步骤203，获取所述滚动轴承的采样频率。

可选的，步骤203中的采样频率可以在滚动轴承实际工作时实时采取，若在仿真实验中，采用频率对应的仿真信号可以根据需要进行设定。

步骤204，根据所述至少两个所述理论故障特征频率和所述采样频率，获取不同故障的解卷积周期。

可选的，步骤204中的解卷积周期可以根据T＝f_s/f_fault获取，其中，f_s表示采样频率，f_fault表示理论故障特征频率，在本实施例中，理论故障特征频率可以包括内圈理论故障特征频率以及外圈理论故障特征频率。

可选的，在获取到滚动轴承的振动信号和不同故障的解卷积周期之后，继续根据步骤102执行。

步骤102，根据不同故障的解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号。

可选的，如图3所示，步骤102获取解卷积信号的实现流程包括以下步骤。

步骤301，获取最优滤波器。

可选的，本步骤中所述的最优滤波器表示采用的滤波器能达到解卷积目标向量与故障滚动轴承的冲击信号完全契合的效果。

可选的，步骤301可以通过非迭代的方式获取一个最优滤波器。

假设为故障滚动轴承的一个冲击信号，为系统频响函数，为传感器采集到的振动信号，为随机噪声。则冲击信号由信号源到传感器的传输过程可以近似地表达为：

MOMEDA解卷积算法的核心部分是通过非迭代的方式找到一个最优滤波器实现对原故障冲击信号的重构，并尽量削减噪声对提取冲击信号的影响。解卷积过程可以为：

式(2)中：k＝1,2,…,N-L。MOMEDA算法针对旋转机械故障信号中存在周期性冲击的特点，在D-范数的基础上提取了多点D-范数。

多点D-范数可以表示为：

式(3)和(4)中：表示目标向量，定义了解卷积目标冲击成分的位置和权重。

当利用MOMEDA算法进行旋转机械多故障检测时，应该考虑振动信号中的故障周期：

式(5)中：δ_n表示信号n处的脉冲；T表示解卷积周期。

当目标向量与原冲击信号完全契合时，解卷积效果达到最佳。此时多点D-范数取得最大值，与之对应的滤波器就是一组最优滤波器

步骤302，根据所述最优滤波器和不同故障的解卷积周期对所述振动信号进行重构，获取解卷积信号。

可选的，步骤302中获取解卷积信号可以根据y(n)＝f(n)*x(n)，获取解卷积信号，所述y(n)表示n时刻的解卷积信号，所述f(n)表示n时刻的最优滤波器，所述x(n)表示n时刻的振动信号。

在获取解卷积信号之后，即可根据附图1中步骤103继续执行。

步骤103，对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型。

可选的，对经过MOMEDA解卷积处理后所得的解卷积信号再进行Teager峭度谱分析，可以首先对恢复原故障冲击信号即解卷积信号y(n)进行Teager能量算子输出，追踪信号的冲击特性，然后对Teager能量算子序列进行滑动峭度计算，最后对滑动峭度序列进行Teager峭度谱分析。如图4所示，确定所述滚动轴承的复合故障类型的实现流程可以包括步骤401至402。

步骤401，对所述解卷积信号进行Teager峭度谱分析，获取所述振动信号的峭度谱。

可选的，如图5所示，步骤401获取振动信号的峭度谱的实现流程可以包括如下步骤。

步骤501，输出不同时刻的解卷积信号对应的Teager能量算子。

为追踪x(n)任意时刻n处的信号源能量，可以通过Teager能量算子追踪，Teager能量算子为：ψ[y(n)]＝y²(n)-y(n+1)y(n-1)，其中，所述y(n+1)表示(n+1)时刻的解卷积信号，所述y(n-1)表示(n-1)时刻的解卷积信号。

步骤502，根据输出的所述Teager能量算子，计算信号源能量。

Teager能量算子可以通过三个样本点即可计算出任意时刻n处的信号源能量，具有很好的瞬态性。

步骤503，根据所述信号源能量，计算所述解卷积信号的Teager峭度值。

可选的，零均值平稳随机振动信号x(n)的k阶累积量定义为：

c_kx(τ₁,τ₂,…,τ_k-1)＝E[x(n)x(n+τ₁)…x(n+τ_k-1)]-E[g(n)g(n+τ₁)…g(n+τ_k-1)]，

式中g(n)是一个与x(n)具有相同二阶统计量的高斯随机构成。由此定义可知，高阶累积量不仅能够度量时间序列的高阶相关性，而且可以反映随机过程偏离高斯分布的程度，即可以度量信号的非高斯性。而高斯噪声的高阶累积量为零，所以高阶累积量能够很好地抑制噪声影响，提高分析和识别精度。

可选的，根据振动信号x(n)的k阶累积量定义，可以获取零均值、零时间延迟下的四阶累计量峭度值，即步骤503中可以根据c_4y＝E{ψ²[y(n)]}-3(E{ψ[y(n)]})²，计算所述解卷积信号的Teager峭度值，所述c_4y表示解卷积信号的Teager峭度，所述E{ψ[y(n)]}表示n时刻的信号源能量。峭度作为四阶统计量可以反映信号分布的尖削程度，所以峭度值的大小可以表征信号冲击性成分所占的比重，反应信号偏离高斯分布的程度。

步骤504，根据预设的滑动窗长度以及所述解卷积信号的Teager峭度值，获取所述解卷积信号的滑动Teager峭度时间序列。

可选的，滑动Teager峭度的定义为:C(t_i)＝c_4y[y(i),y(i+L-1)],i＝1,2,…,n，其中C(t_i)表示滑动Teager峭度时间序列的第i个样本点；c_4y[·]表示计算[y(i),y(i+L-1)]的Teager峭度值，并取绝对值，L表示预设的滑动窗长度，因受噪声等因素影响，一般取2≤L≤15。对y(n)的Teager能量算子输出ψ[y(n)]进行逐点滑动，向后截取长度为L的序列，按照式c_4y＝E{ψ²[y(n)]}-3(E{ψ[y(n)]})²计算Teager峭度值C(t_i)，其中i＝1，2，…，N-L+1，；当采用不同长度的滑动窗时，可得到不同的滑动Teager峭度时间序列。对于N-L+1<i<N的Teager能量算子输出序列按照N-i长度计算，且C(t_N)＝C(t_N-1)，从而获得与y(n)相同长度的滑动Teager峭度时间序列。

步骤505，根据所述滑动Teager峭度时间序列，获取所述振动信号的峭度谱。

可选的，根据多个不同的滑动窗长度，可以确定多个不同的滑动Teager峭度时间序列。分别取L＝2，…，15对y(n)进行滑动Teager峭度计算，得到多个滑动Teager峭度时间序列，每个滑动Teager峭度时间序列对应一个滑动窗长度。然后计算各个所述滑动Teager峭度时间序列所对应的Teager峭度值，并将各个Teager峭度值中最大Teager峭度值所对应的滑动Teager峭度时间序列作为所述振动信号的峭度谱。

可选的，通过计算选取峭度值最大的滑动Teager峭度时间序列M(n)的1.5维谱，即可得到x(n)的1.5维Teager峭度谱：其中，τ表示时移，j为复数单位，ω表示角频率。

可选的，通过对仿真振动信号进行处理，如图6所示，滚动轴承的内圈解卷积信号与所述振动信号的峭度谱进行对比，如图7所示滚动轴承的外圈解卷积信号与所述振动信号的峭度谱进行对比。图6(A)表示滚动轴承的内圈解卷积信号，图6(B)表示滚动轴承的内圈的振动信号的峭度谱，图7(A)表示滚动轴承的外圈解卷积信号，图7(B)表示滚动轴承的外圈的振动信号的峭度谱，图6(B)中内圈故障特征频率f_i及其倍频、转频f_r及其特征频率的转频调制边带等成分处谱线幅值明显，无其他干扰谱线；图7(B)中谱线十分清晰且仅存在外圈故障特征频率f_o及多阶倍频成分。

在获取振动信号的峭度谱之后，继续执行步骤402。

步骤402，将所述滚动轴承的理论故障特征频率与所述振动信号的峭度谱进行对比，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型。

将滚动轴承理论故障特征频率理论值与1.5维Teager峭度谱中峰值明显的谱线进行对比，从而可以准确地判断滚动轴承的内圈和/或外圈存在的局部损伤。

上述滚动轴承复合故障确定的方法，通过获取滚动轴承的振动信号和不同故障的解卷积周期；根据不同故障的解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号；对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型，可以很好地抑制噪声，追踪信号的瞬时能量变化，反应信号的非高斯性特征。当风电机组滚动轴承发生故障时，振动信号由于存在幅值调制等现象，冲击信号偏离高斯分布。因此，Teager峭度谱能够用于风电机组滚动轴承故障诊断，可以清晰并准确地分离提取出混合信号中的单一故障源信号，有效放大并提取出隐藏的微弱特征信息，从而全面、准确地甄别滚动轴承状态。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的滚动轴承复合故障确定的方法，图8示出了本发明实施例提供的滚动轴承复合故障确定的装置的示例图。如图8所示，该装置可以包括：获取模块801、解卷积模块802和处理模块803。

获取模块801，用于获取滚动轴承的振动信号和不同故障的解卷积周期；

解卷积模块802，用于根据不同故障的解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号；

处理模块803，用于对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型。

可选的，所述获取模块801，获取不同故障的解卷积周期时，还可以用于：获取所述滚动轴承的结构参数；根据所述结构参数，获取所述滚动轴承的至少两个理论故障特征频率；获取所述滚动轴承的采样频率；根据所述至少两个所述理论故障特征频率和所述采样频率，获取不同故障的解卷积周期。

可选的，所述解卷积模块802获得解卷积信号时，还可以用于：获取最优滤波器；根据所述最优滤波器和不同故障的解卷积周期对所述振动信号进行重构，获取解卷积信号。

可选的，所述解卷积模块802还可以根据y(n)＝f(n)*x(n)，获取解卷积信号，所述y(n)表示n时刻的解卷积信号，所述f(n)表示n时刻的最优滤波器，所述x(n)表示n时刻的振动信号。

可选的，所述处理模块803确定所述滚动轴承的复合故障类型，还可以用于：对所述解卷积信号进行Teager峭度谱分析，获取所述振动信号的峭度谱；将所述滚动轴承的理论故障特征频率与所述振动信号的峭度谱进行对比，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型。

可选的，所述处理模块803获取所述振动信号的峭度谱时，还可以用于：输出不同时刻的解卷积信号对应的Teager能量算子；根据输出的所述Teager能量算子，计算信号源能量；根据所述信号源能量，计算所述解卷积信号的Teager峭度值；根据预设的滑动窗长度以及所述解卷积信号的Teager峭度值，获取所述解卷积信号的滑动Teager峭度时间序列；根据所述滑动Teager峭度时间序列，获取所述振动信号的峭度谱。

上述滚动轴承复合故障确定的装置，通过获取模块获取滚动轴承的振动信号和不同故障的解卷积周期；根据不同故障的解卷积周期对所述振动信号进行解卷积处理，解卷积模块获得解卷积信号；对所述解卷积信号进行Teager峭度谱分析，处理模块提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型，可以很好地抑制噪声，追踪信号的瞬时能量变化，反应信号的非高斯性特征。当风电机组滚动轴承发生故障时，振动信号由于存在幅值调制等现象，冲击信号偏离高斯分布。因此，Teager峭度谱能够用于风电机组滚动轴承故障诊断，能有效地解调出轴承故障特征频率，提取轴承的弱冲击故障特征，从而全面、准确地甄别滚动轴承状态。

图9是本发明一实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器901、存储器902以及存储在所述存储器902中并可在所述处理器901上运行的计算机程序903，例如滚动轴承复合故障确定的程序。所述处理器901执行所述计算机程序903时实现上述滚动轴承复合故障确定的方法实施例中的步骤，例如图1所示的步骤101至103，或者图2所示的步骤201至步骤204，或者图3所示的步骤301至步骤302，或者图4所示的步骤401至步骤402，或者图,5所示的步骤501至步骤505，所述处理器901执行所述计算机程序903时实现上述各装置实施例中各模块的功能，例如图8所示模块801至803的功能。

示例性的，所述计算机程序903可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储在所述存储器902中，并由所述处理器901执行，以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序903在所述滚动轴承复合故障确定的装置或者终端设备9中的执行过程。例如，所述计算机程序903可以被分割成获取模块801、解卷积模块802和处理模块803，各模块具体功能如图8所示，在此不再一一赘述。

所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器901、存储器902。本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器901可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器902可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器902也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器902还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器902用于存储所述计算机程序以及所述终端设备9所需的其他程序和数据。所述存储器902还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种滚动轴承复合故障确定的方法，其特征在于，包括：

获取滚动轴承的振动信号和不同故障的解卷积周期；

根据不同故障的解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号；

对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型。

2.如权利要求1所述的滚动轴承复合故障确定的方法，其特征在于，所述获取不同故障的解卷积周期，包括：

获取所述滚动轴承的结构参数；

根据所述结构参数，获取所述滚动轴承的至少两个理论故障特征频率；

获取所述滚动轴承的采样频率；

根据所述至少两个所述理论故障特征频率和所述采样频率，获取不同故障的解卷积周期。

3.如权利要求2所述的滚动轴承复合故障确定的方法，其特征在于，所述根据不同故障的所述解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号，包括：

获取最优滤波器；

根据所述最优滤波器和不同故障的解卷积周期对所述振动信号进行重构，获取解卷积信号。

4.如权利要求3所述的滚动轴承复合故障确定的方法，其特征在于，所述根据所述最优滤波器和不同故障的所述解卷积周期对所述振动信号进行重构，获取解卷积信号，包括：

根据y(n)＝f(n)*x(n)，获取解卷积信号，所述y(n)表示n时刻的解卷积信号，所述f(n)表示n时刻的最优滤波器，所述x(n)表示n时刻的振动信号。

5.如权利要求2或4所述的滚动轴承复合故障确定的方法，其特征在于，所述对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型，包括：

对所述解卷积信号进行Teager峭度谱分析，获取所述振动信号的峭度谱；

将所述滚动轴承的理论故障特征频率与所述振动信号的峭度谱进行对比，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型。

6.如权利要求5所述的滚动轴承复合故障确定的方法，其特征在于，所述对所述解卷积信号进行Teager峭度谱分析，获取所述振动信号的峭度谱，包括：

输出不同时刻的解卷积信号对应的Teager能量算子；

根据输出的所述Teager能量算子，计算信号源能量；

根据所述信号源能量，计算所述解卷积信号的Teager峭度值；

根据预设的滑动窗长度以及所述解卷积信号的Teager峭度值，获取所述解卷积信号的滑动Teager峭度时间序列；

根据所述滑动Teager峭度时间序列，获取所述振动信号的峭度谱。

7.如权利要求6所述的滚动轴承复合故障确定的方法，其特征在于，所述Teager能量算子为：

ψ[y(n)]＝y²(n)-y(n+1)y(n-1)

其中，所述y(n+1)表示(n+1)时刻的解卷积信号，所述y(n-1)表示(n-1)时刻的解卷积信号；

所述根据所述信号源能量，计算所述解卷积信号的Teager峭度值，包括：

根据c_4y＝E{ψ²[y(n)]}-3(E{ψ[y(n)]})²，计算所述解卷积信号的Teager峭度值，所述c_4y表示解卷积信号的Teager峭度，所述E{ψ[y(n)]}表示n时刻的信号源能量；

所述根据所述滑动Teager峭度时间序列，获取所述振动信号的峭度谱，包括：

根据多个不同的滑动窗长度，确定多个滑动Teager峭度时间序列，每个滑动Teager峭度时间序列对应一个滑动窗长度；

计算各个所述滑动Teager峭度时间序列所对应的Teager峭度值，并将各个Teager峭度值中最大Teager峭度值所对应的滑动Teager峭度时间序列作为所述振动信号的峭度谱。

8.一种滚动轴承复合故障确定的装置，其特征在于，包括：

获取模块，用于获取滚动轴承的振动信号和不同故障的解卷积周期；

解卷积模块，用于根据不同故障的解卷积周期对所述振动信号进行解卷积处理，获得解卷积信号；

处理模块，用于对所述解卷积信号进行Teager峭度谱分析，提取所述滚动轴承的故障特征频率，并确定所述滚动轴承的复合故障类型。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。