CN111521400A - 一种基于edm及谱峭度的轴承早期故障诊断方法 - Google Patents

Abstract

一种基于EDM及谱峭度的轴承早期故障诊断方法包括：信号获取，获取轴承的原始信号；包络分析，对所述原始信号进行包括分析，根据包络谱及轴承故障频率获得敏感特征集；EDM状态判断，使用部分已知历史正常状态数据，获得轴承正常状态空间，实时采集轴承运行的振动数据，并通过EDM方法判断当前状态是否偏离正常状态空间；故障信号分解与重构，对偏离正常状态的信号进行EEMD分解，根据快速谱峭度图计算各IMF及不同IMF组合的重构参数，将重构参数与原始信号相似度最高的分解信号作为重构信号；带通滤波及包络分析，对重构信号进行滤波，并得到其包络谱；以及故障类型诊断，根据轴承的不同故障频率计算轴承的故障部位百分比，并判断当前轴承的故障部位。

Description

一种基于EDM及谱峭度的轴承早期故障诊断方法

技术领域

本发明涉及一种轴承早期故障诊断方法，更具体地涉及利用EDM及谱峭度判断轴承是否出现早期故障的方法。

背景技术

旋转机械设备不断向高速化、自动化的方向发展，不同子系统之间的联系、相互影响也越来越紧密。一旦某一关键部件在运行过程中出现异常，很可能影响整台设备的安全运行，甚至造成严重的经济或安全问题。滚动轴承是旋转机械的重要零部件之一，大多数意外停车(约50-60％)是由于轴承故障造成的。因此，保障滚动轴承稳定高效地运行，对保证工业机械系统的效率和耐久性具有重要意义。

滚动轴承作为旋转机械设备中最常用和最重要的部件之一，其运行状态与设备系统的安全运行有着直接的关联。在实际工程应用中，更期望在故障发生阶段，即对早期故障进行有效检验，并在早期故障阶段对轴承的损伤部位进行判断，为现场工作人员提供维修决策参考。滚动轴承在早期故障阶段，往往存在冲击成分微弱、周围环境噪声干扰大等特点，这使得一方面难以识别轴承是否已经出现早期故障，另一方面增大了轴承早期故障类型诊断的难度。因此，存在着对于能够在早期有效地识别出轴承等设备的不同类型故障的方法的需求。

发明内容

本发明的实施方式提供了一种基于EDM及谱峭度的轴承早期故障诊断方法。欧式距离矩阵(Euclidean Distance Matrices，EDM)方法能够根据历史正常状态空间与测试数据的对比判断轴承是否偏离正常状态。而谱峭度作为波形尖峰度的描述指标，对冲击信号较为敏感，适用于早期信噪比较低时的故障检测。

因此，基于轴承运行的正常状态历史数据，利用包络分析及EDM方法判断设备当前状态是否偏离正常状态。在此基础上，使用集合经验模态分解(Ensemble Empirical ModeDecomposition，EEMD)对原始信号进行降噪，通过快速谱峭度图法并结合轴承故障频率对轴承进行早期故障诊断具有重要的意义。基于此，本发明的实施方式提供了一种基于EDM及谱峭度的轴承早期故障诊断方法。根据本发明的实施方式所提供的基于EDM及谱峭度的轴承早期故障诊断方法通过包络分析得到与轴承故障频率相关的敏感特征，利用EDM方法判断设备当前状态是否偏离正常状态。当轴承出现早期故障时，利用EEMD对信号进行分解，根据峭度、互相关系数、滤波宽度等参数自适应的选取本征模态函数(Intrinsic ModeFunction，IMF)进行重构。在此基础上，利用快速谱峭度法得到信号的包络谱，并根据轴承故障频率得到当前轴承的故障部位百分比。在对轴承的早期故障进行诊断的同时，为后续健康管理等提供相应的技术依据。

本发明的一个实施方式提供了一种基于EDM及谱峭度的轴承早期故障诊断方法，该方法可包括以下步骤：信号获取，获取轴承的原始信号；包络分析，对所述原始信号进行包络分析，根据包络谱及轴承故障频率获得敏感特征集；EDM状态判断，使用部分已知历史正常状态数据，获得轴承正常状态空间，实时采集轴承运行的振动数据，并通过EDM方法判断当前状态是否偏离正常状态空间；故障信号分解与重构，对偏离正常状态的信号进行EEMD分解，根据快速谱峭度图计算各IMF及不同IMF组合的重构参数，将重构参数与原始信号相似度最高的分解信号作为重构信号；带通滤波及包络分析，将重构信号的中心频率及带宽作为带宽滤波器的参数，对重构信号进行滤波，对滤波后信号进行平方包络并得到其包络谱；以及故障类型诊断，根据轴承的不同故障频率计算轴承的故障部位百分比，并判断当前轴承的故障部位。

在可选的实施方式中，所述包络步骤包括：

对原始信号X(t)作希尔伯特变换

其中，τ为原始信号中的时间参数，X(τ)为X(t)的换元，该式表示原始信号与系统的冲击响应h(t)进行卷积，t为冲击响应中的时间参数；

构造解析信号Z(t)和共轭复解析信号Z(t)'

对所述解析信号及共轭复解析信号求积重构出合成信号，就可得到平方包络信号

X(t)＝Z(t)Z(t)'。

在另一个可选的实施方式中，所述轴承故障频率为对轴承不同故障部位所对应的特征频率，可包括外圈故障频率、内圈故障频率、保持架故障频率及滚动体故障频率等。

在可选的实施方式中，所述EDM状态判断步骤包括：

计算实时数据特征向量与历史正常状态中每个向量之间的欧几里得距离序列

式中，D为m行n列历史正常状态空间矩阵，i表示空间中的第i个特征向量，i＝1,2,...,n，k表示特征向量的第k个特征值，F为轴承当前状态的特征向量；

将以上序列按照升序排序，并标记序列中的前20个元素；

从D中选出与标记的欧式距离序列相对应的特征向量；

取所选向量的平均值作为当前状态特征向量的估计向量F_est；

通过欧几里得距离表征两者之间的偏离程度

在另一可选的实施方式中，所述故障信号分解与重构步骤包括：在所述原始信号中加入高斯白噪声，得到混合噪声信号；对该混合噪声信号进行经验模态分解，得到各本征模态函数分量；重复将不同白噪声加入原始信号，并重复经验模态分解；以及将每次经验模态分解所对应的本征模态函数分量进行平均处理。

在可选的实施方式中，所述故障类型诊断步骤包括通过得到的包络谱计算轴承各个故障的故障频率1-3倍频处的谱峰度并求和，记为A_g，故障部位百分比为P_g，推断某种故障的可能性为

在可选的实施方式中，上式中的g可以是任何其它合适的数字。

本发明的另一个实施方式提出了一种基于EDM及谱峭度的轴承早期故障诊断方法，包括以下步骤：

步骤一：包络分析：对原始信号进行包络分析，根据包络谱及轴承故障频率，得到敏感特征集；

步骤二：EDM状态决策：选取部分已知历史正常状态数据，在步骤一的基础上获得轴承正常状态空间，实时采集轴承运行的振动数据，并通过EDM方法判断当前状态是否偏离正常状态空间；

步骤三：故障信号分解与重构：对偏离正常状态的信号进行EEMD分解，根据快速谱峭度图计算各IMF及不同IMF组合的重构参数，将重构参数与原始信号相似度最高的分解信号作为重构信号；

步骤四：带通滤波及包络分析：将重构信号的中心频率及带宽作为带宽滤波器的参数，对重构信号进行滤波，对滤波后信号进行平方包络并得到其包络谱；

步骤五：故障类型诊断：根据轴承的不同故障频率计算轴承的故障部位百分比，并根据结果判断当前轴承故障部位。

可选地，在步骤一中所述的“包络分析”，主要是指对原始信号进行平方包络，并通过傅里叶变换求其包络谱。其步骤如下：

a)对原始信号X(t)作希尔伯特变换：

其中，τ为原始信号中的时间参数，X(τ)为X(t)的换元，该式表示原始信号与系统的冲击响应h(t)进行卷积，t为冲击响应中的时间参数；

b)构造解析信号Z(t)和共轭复解析信号Z(t)'：

c)对解析信号及共轭复解析信号求积重构出合成信号，就可得到平方包络信号

X(t)＝Z(t)Z(t)'。

可选地，在步骤一中所述的“轴承故障频率”，可指对轴承不同故障部位所对应的特征频率，可包括外圈故障频率、内圈故障频率、保持架故障频率及滚动体故障频率等。

可选地，在步骤二中所述的“EDM方法”，主要是指一种异常状态识别方法。首先根据历史正常状态的特征构造正常状态空间，接着利用欧几里得距离判断当前状态是否偏离正常状态。其具体可包括如下步骤：

a)计算实时数据特征向量与历史正常状态中每个向量之间的欧几里得距离序列

式中，D为m行n列历史正常状态空间矩阵，i表示空间中的第i个特征向量，i＝1,2,...,n，k表示特征向量的第k个特征值，F为轴承当前状态的特征向量；

b)将a)中的序列按照升序排序，并标记序列中的前20个元素；

c)从D中选出与标记的欧式距离序列相对应的特征向量；

d)取所选向量的平均值作为当前状态特征向量的估计向量F_est；

e)通过欧几里得距离表征两者之间的偏离程度

d(F,F_est)展现了实际特征向量与估计向量的偏离程度，结果越小说明当前向量越接近整体正常状态偏差越小。

可选地，在步骤三中所述的“EEMD”，主要是指利用集合经验模态分解的方法对原始信号进行分解，可包括如下步骤：

a)在原始信号中加入高斯白噪声，得到混合噪声信号；

b)对新的信号进行经验模态分解，得到各本征模态函数(IMF)分量；

c)重复将不同白噪声加入原始信号，并重复步骤c)；

d)将每次经验模态分解所对应的IMF进行平均处理。

可选地，在步骤三中所述的“重构参数”，可指各IMF及不同IMF组合的峭度值K_u及其与原始信号的互相关系数ρ。分别计算原始信号、各IMF及不同IMF组合的快速谱峭度图，并根据谱峭度最大处的中心频率F_C及带宽B得到频带边界值B₁与B₂。

可选地，在步骤三中所述的“快速谱峭度图”，主要是指一种谱峭度分析方法。通过计算每根谱线的峭度值，找出信号中隐藏的非平稳成分，并指出它们出现在哪些频带。理想滤波器在输出频率f处计算得到的峭度值即为谱峭度。

可选地，在步骤五中所述的“故障部位百分比”，可以指一种推断轴承故障发生部位可能性的计算方法。通过得到的包络谱计算轴承各个故障的故障频率1-3倍频处的谱峰度并求和，记为A_g。则推断为某种故障的可能性为：

其中P_g为故障部位百分比，表示轴承中某类故障类型发生的可能性，某一种故障类型的P_g越高，当前状态下该故障类型占据主导地位的可能性越大。但同时也可能出现其他几类故障，但由于P_g较低，对轴承系统的影响较小。根据需要和应用，g可以是任何合适的数字。

通过本发明的以上实施方式所提供的方法，能够利用少量历史正常状态数据，在轴承出现早期故障之前，对其故障趋势进行提前判断，为现场工作人员赢得宝贵的维修诊断时间。根据EEMD和快速谱峭度的方法能够克服轴承早期故障阶段振动信号中冲击成分频率幅值较弱，诊断困难的问题。结合重构信号的包络分析，可以对轴承早期存在潜在故障的部位进行判断，实现滚动轴承的早期故障诊断。

本发明的实施方式至少包括以下的优点。本发明采用基于EDM的早期故障识别方法，能够在缺乏故障数据或仅存在部分正常状态数据的情况下，对轴承的早期异常状态。通过包络分析、故障频率特征提取，得到滚动轴承的正常状态空间，并根据EDM方法得到实测数据的估计特征向量。根据实测数据特征向量与估计特征向量之间的偏离度能有效对轴承的早期故障进行识别。本发明提供了一种基于EDM及谱峭度的轴承早期故障诊断方法，能够利用谱峭度指标对信号中冲击成分敏感的特点，得到最佳的滤波参数，有效过滤信号中的噪声成分，提高故障类型诊断的准确率。该方法是一种指导性的旋转机械早期故障识别及故障类型诊断技术，具有抗噪效果好，易于实现等特点。方法在实际应用中具有一定的开放性，适用于在线旋转机械的实时故障检测与诊断。

附图说明

结合附图及下面的详细描述，可更容易理解本发明的前述特征，其中:

图1示出了根据本发明的一个实施方式提供的基于包络分析及EDM的轴承早期故障识别方法流程图；

图2示出了根据本发明的一个实施方式提供的基于EEMD及谱峭度的轴承故障类型诊断流程图；

图3示出了应用根据本发明的实施方式的一个示例中第40min历史信号的包络谱图；

图4示出了应用根据本发明的实施方式的一个示例中轴承实时数据状态偏离度图；

图5示出了应用根据本发明的实施方式的一个示例中第80min重构信号的经快速谱峭度处理后的包络谱图；

图6示出了应用根据本发明的实施方式的一个示例中轴承早期故障的故障部位百分比图。

附图中序号、符号、代号说明如下

ρ：信号分解后各IMF与原始信号的互相关系数

IMF：原始信号经EEMD分解后的本征模态函数

K_u：各IMF的峭度值

F_C：IMF组合经快速谱峭度图得到的频带中心频率，单位Hz

B：IMF组合经快速谱峭度图得到的频带带宽

d：EDM方法得到的偏离度

T：EDM方法的偏离度阈值

t：信号的数据采集时间，单位为min

ORF：滚动轴承外圈故障

IRF：滚动轴承内圈故障

FRF：滚动轴承保持架故障

RBF：滚动轴承滚动体故障

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要注意的是，除非另有说明，本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

结合附图，在本发明的一个实施例中，对具体实施方法进行详细描述，但本发明不受具体实施方法的限制。

本发明的一个实施方式提供了一种基于EDM及谱峭度的轴承早期故障诊断方法，该方法可包括以下步骤：信号获取，获取轴承的原始信号；包络分析，对所述原始信号进行包络分析，根据包络谱及轴承故障频率获得敏感特征集；EDM状态判断，使用部分已知历史正常状态数据，获得轴承正常状态空间，实时采集轴承运行的振动数据，并通过EDM方法判断当前状态是否偏离正常状态空间；故障信号分解与重构，对偏离正常状态的信号进行EEMD分解，根据快速谱峭度图计算各IMF及不同IMF组合的重构参数，将重构参数与原始信号相似度最高的分解信号作为重构信号；带通滤波及包络分析，将重构信号的中心频率及带宽作为带宽滤波器的参数，对重构信号进行滤波，对滤波后信号进行平方包络并得到其包络谱；以及故障类型诊断，根据轴承的不同故障频率计算轴承的故障部位百分比，并判断当前轴承的故障部位。

在可选的实施方式中，包络步骤包括：

对原始信号X(t)作希尔伯特变换

其中，τ为原始信号中的时间参数，X(τ)为X(t)的换元，该式表示原始信号与系统的冲击响应h(t)进行卷积，t为冲击响应中的时间参数；

构造解析信号Z(t)和共轭复解析信号Z(t)'

对所述解析信号及共轭复解析信号求积重构出合成信号，就可得到平方包络信号

X(t)＝Z(t)Z(t)'。

在另一个可选的实施方式中，所述轴承故障频率为对轴承不同故障部位所对应的特征频率，主要包括外圈故障频率、内圈故障频率、保持架故障频率及滚动体故障频率。

在可选的实施方式中，所述EDM状态判断步骤包括：

计算实时数据特征向量与历史正常状态中每个向量之间的欧几里得距离序列

式中，D为m行n列历史正常状态空间矩阵，i表示空间中的第i个特征向量，i＝1,2,...,n，k表示特征向量的第k个特征值，F为轴承当前状态的特征向量；

将以上序列按照升序排序，并标记序列中的前20个元素；

从D中选出与标记的欧式距离序列相对应的特征向量；

取所选向量的平均值作为当前状态特征向量的估计向量F_est；

通过欧几里得距离表征两者之间的偏离程度

在另一可选的实施方式中，所述故障信号分解与重构步骤包括：在所述原始信号中加入高斯白噪声，得到混合噪声信号；对该混合噪声信号进行经验模态分解，得到各本征模态函数分量；重复将不同白噪声加入原始信号，并重复经验模态分解；以及将每次经验模态分解所对应的本征模态函数分量进行平均处理。

在可选的实施方式中，所述故障类型诊断步骤包括通过得到的包络谱计算轴承各个故障的故障频率1-3倍频处的谱峰度并求和，记为A_g，故障部位百分比为P_g，推断某种故障的可能性为

在可选的实施方式中，g不限于此，根据需要可以设定为任何合适的数字。

本发明的另一个实施方式提出了一种基于EDM及谱峭度的轴承早期故障诊断方法，包括以下步骤：

步骤一：包络分析：对原始信号进行包络分析，根据包络谱及轴承故障频率，得到敏感特征集；

步骤二：EDM状态决策：选取部分已知历史正常状态数据，在步骤一的基础上获得轴承正常状态空间，实时采集轴承运行的振动数据，并通过EDM方法判断当前状态是否偏离正常状态空间；

步骤三：故障信号分解与重构：对偏离正常状态的信号进行EEMD分解，根据快速谱峭度图计算各IMF及不同IMF组合的重构参数，将重构参数与原始信号相似度最高的分解信号作为重构信号；

步骤四：带通滤波及包络分析：将重构信号的中心频率及带宽作为带宽滤波器的参数，对重构信号进行滤波，对滤波后信号进行平方包络并得到其包络谱；

步骤五：故障类型诊断：根据轴承的不同故障频率计算轴承的故障部位百分比，并根据结果判断当前轴承故障部位。

可选地，在步骤一中所述的“包络分析”，主要是指对原始信号进行平方包络，并通过傅里叶变换求其包络谱。其步骤如下：

a)对原始信号X(t)作希尔伯特变换：

其中，τ为原始信号中的时间参数，X(τ)为X(t)的换元，该式表示原始信号与系统的冲击响应h(t)进行卷积，t为冲击响应中的时间参数；

b)构造解析信号Z(t)和共轭复解析信号Z(t)'：

c)对解析信号及共轭复解析信号求积重构出合成信号，就可得到平方包络信号

X(t)＝Z(t)Z(t)'。

可选地，在步骤一中所述的“轴承故障频率”，可指对轴承不同故障部位所对应的特征频率，主要包括外圈故障频率、内圈故障频率、保持架故障频率及滚动体故障频率。

可选地，在步骤二中所述的“EDM方法”，主要是指一种异常状态识别方法。首先根据历史正常状态的特征构造正常状态空间，接着利用欧几里得距离判断当前状态是否偏离正常状态。其具体可包括如下步骤：

a)计算实时数据特征向量与历史正常状态中每个向量之间的欧几里得距离序列

式中，D为m行n列历史正常状态空间矩阵，i表示空间中的第i个特征向量，i＝1,2,...,n，j表示特征向量的第j个特征值，F为轴承当前状态的特征向量；

b)将a)中的序列按照升序排序，并标记序列中的前20个元素；

c)从D中选出与标记的欧式距离序列相对应的特征向量；

d)取所选向量的平均值作为当前状态特征向量的估计向量F_est；

e)通过欧几里得距离表征两者之间的偏离程度

d(F,F_est)展现了实际特征向量与估计向量的偏离程度，结果越小说明当前向量越接近整体正常状态偏差越小。

可选地，在步骤三中所述的“EEMD”，主要是指利用集合经验模态分解的方法对原始信号进行分解，可包括如下步骤：

a)在原始信号中加入高斯白噪声，得到混合噪声信号；

b)对新的信号进行经验模态分解，得到各本征模态函数(IMF)分量；

c)重复将不同白噪声加入原始信号，并重复步骤c)；

d)将每次经验模态分解所对应的IMF进行平均处理。

可选地，在步骤三中所述的“重构参数”，可指各IMF及不同IMF组合的峭度值K_u及其与原始信号的互相关系数ρ。分别计算原始信号、各IMF及不同IMF组合的快速谱峭度图，并根据谱峭度最大处的中心频率F_C及带宽B得到频带边界值B₁与B₂。

可选地，在步骤三中所述的“快速谱峭度图”，主要是指一种谱峭度分析方法。通过计算每根谱线的峭度值，找出信号中隐藏的非平稳成分，并指出它们出现在哪些频带。理想滤波器在输出频率f处计算得到的峭度值即为谱峭度。

可选地，在步骤五中所述的“故障部位百分比”，可以指一种推断轴承故障发生部位可能性的计算方法。通过得到的包络谱计算轴承各个故障的故障频率1-3倍频处的谱峰度并求和，记为A_g。则推断为某种故障的可能性为

其中P_g为故障部位百分比，表示轴承中某类故障类型发生的可能性，某一种故障类型的P_g越高，当前状态下该故障类型占据主导地位的可能性越大。但同时也可能出现其他几类故障，但由于P_g较低，对轴承系统的影响较小。本领与技术人员应理解，在可选的实施方式中，g不限于此，根据需要可以设定为任何合适的数字。

在应用根据本发明的实施方式的一个示例性实例中，采用XJTU-SY滚动轴承的全寿命周期数据作为试验依据进行分析。轴承相关参数信息见表1。采用加速度振动传感器对测试轴承的振动信号进行采集，采样频率为25.6kHz，采样间隔时间为1min。轴承的运转工况为转速2100r/min，径向力12kN。该样本集共包含123个样本集合，对应轴承实际寿命为123min。每个集合中有32768个样本点，取每个集合的前32000个点进行案例分析。

表1测试轴承参数

图1示出了根据本发明的一个实施方式提供的基于包络分析及EDM的轴承早期故障识别方法流程图，图2示出了根据本发明的一个实施方式提供的基于EEMD及谱峭度的轴承故障类型诊断流程图。以下参考图1及图2，对本发明的一个实施方式提供的一种基于EDM及谱峭度的轴承早期故障诊断方法进行说明。根据本发明的一个实施方式提供的基于EDM及谱峭度的轴承早期故障诊断方法可包括以下步骤。

步骤一：包络分析。对原始信号进行包络谱分析，图3展示了第40min振动信号的包络谱。轴承的固有转频BNF＝35Hz，根据相关公式可计算得该工况下轴承的故障频率分别为：

外圈故障频率 BFO＝107.91Hz；

内圈故障频率BFI＝172.09Hz；

保持架故障频率BTF＝26.98Hz；

滚动体故障频率RBF＝72.33Hz；

选择上述五个频率及各自对应的2倍频在包络谱上对应的幅值作为敏感特征，构成敏感特征向量。

步骤二：EDM状态决策。选取21-60min采集的振动数据已知历史正常状态数据，在步骤一的基础上得到每一时刻的特征向量，并构成轴承正常状态空间矩阵D，该矩阵共10行40列，每行代表轴承的一种特征，每列代表轴承的一个时刻。根据EDM方法得到轴承的实时偏离度，如图4所示。取故障阈值为0.05，可以看出，轴承在第79min开始出现早期故障。

步骤三：故障信号分解与重构。从第79min开始对采集的振动信号进行EEMD分解，计算各IMF及不同IMF组合的峭度值K_u及各自与原始信号的互相关系数ρ。利用快速谱峭度图，得到谱峭度最大处的中心频率F_C及带宽得到频带边界值B₁与B₂，并于与原始信号的各个参数对比。以第80min的信号为例，部分信号的参数在表2示出。分析发现，IMF1、IMF2与IMF3组合的信号与原始信号的参数相似度最高，选用IMF1、IMF2与IMF3的分解信号合成，得到重构信号。

表2原始信号及部分IMF组合的重构参数(80min)

步骤四：带通滤波及包络分析。将重构信号的中心频率11200Hz及带宽3200Hz作为带宽滤波器的参数，即带通滤波器的范围为[9600，12800]。在此范围内，信号的峭度值最大，信噪比也最高。使用该滤波器对重构信号进行滤波，对滤波后信号进行平方包络，得到其包络谱如图5所示。从图中可以明显看出在轴承外圈故障频率及其倍频处的峰度值，明显高与其他频率。

步骤五：故障类型诊断。通过得到的包络谱计算轴承各个故障的故障频率1-3倍频处的谱峰度并求和。根据求和结果计算轴承各类故障的可能性并判断当前轴承故障部位，结果展示在图6。从图中可以明显看出，轴承的早期故障与晚期故障具有一致性，均为外圈故障。此外，轴承还有一定的可能具有保持架故障。

根据这一结果，相关工作人员可以在轴承出现故障的早期阶段进行及时的识别并准确获得其故障类型，根据诊断结果对轴承进行维修或更换，以保证整台设备具有较高的工作能力及精度。得到的包络谱中能够明显看出轴承故障部位所对应的故障频率及其倍频，说明该方法对轴承的故障诊断具有较高的准确性。

本发明提出的一种基于EDM及谱峭度的轴承早期故障诊断方法，能够提前预测轴承的早期故障，并在故障早期识别其损伤部位，即故障类型，具有较高的实时性和敏感性。该模型不仅适用于案例中轴承的异常状态识别，还可以应用到其他旋转机械设备及其关键零部件中，为其健康评估提供合理的参考。本发明具有良好的拓展能力，为本技术领域的其他技术人员提供一定的借鉴作用。

需要说明的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

此外，前述仅说明了一些实施方式，可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质，该实施方式是示意性的而不是限制性的。此外，所说明的实施方式涉及当前考虑为最实用和最优选的实施方式，其应理解为实施方式不应限于所公开的实施方式，相反地，旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外，上述说明的多种实施方式可与其它实施方式共同应用，如，一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外，任何给定组件的各独立特征或构件可构成另外的实施方式。

以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (6)

1.一种基于EDM及谱峭度的轴承早期故障诊断方法，其特征在于，该方法包括以下步骤：

信号获取，获取轴承的原始信号；

包络分析，对所述原始信号进行包络分析，根据包络谱及轴承故障频率获得敏感特征集；

EDM状态判断，使用部分已知历史正常状态数据，获得轴承正常状态空间，实时采集轴承运行的振动数据，并通过EDM方法判断当前状态是否偏离正常状态空间；

故障信号分解与重构，对偏离正常状态的信号进行集合经验模态分解，根据快速谱峭度图获得各本征模态函数及不同本征模态函数组合的重构参数，将重构参数与原始信号相似度最高的分解信号作为重构信号；

带通滤波及包络分析，将重构信号的中心频率及带宽作为带宽滤波器的参数，对重构信号进行滤波，对滤波后信号进行平方包络并得到其包络谱；以及

故障类型诊断，根据所述轴承的不同故障频率计算轴承的故障部位百分比，并判断当前轴承的故障部位。

2.如权利要求1所述的基于EDM及谱峭度的轴承早期故障诊断方法，其特征在于，所述包络步骤包括：

对原始信号X(t)作希尔伯特变换

其中，τ为原始信号中的时间参数，X(τ)为X(t)的换元，该式表示原始信号与系统的冲击响应h(t)进行卷积，t为冲击响应中的时间参数；

构造解析信号Z(t)和共轭复解析信号Z(t)'

Z(t)＝X(t)+jX(t)'

Z(t)'＝X(t)-jX(t)

其中，j表示特征向量的第j个特征值；

对所述解析信号及共轭复解析信号求积重构出合成信号，就可得到平方包络信号

X(t)＝Z(t)Z(t)'。

3.如权利要求1所述的基于EDM及谱峭度的轴承早期故障诊断方法，其特征在于，所述轴承故障频率为对轴承不同故障部位所对应的特征频率，包括外圈故障频率、内圈故障频率、保持架故障频率及滚动体故障频率。

4.如权利要求1所述的基于EDM及谱峭度的轴承早期故障诊断方法，其特征在于，所述EDM状态判断步骤包括：

计算实时数据特征向量与历史正常状态中每个向量之间的欧几里得距离序列

其中，D为m行n列历史正常状态空间矩阵，i表示空间中的第i个特征向量，i＝1,2,...,n，k表示特征向量的第k个特征值，F为轴承当前状态的特征向量；

将以上序列按照升序排序，并标记序列中的前20个元素；

从D中选出与标记的欧几里得距离序列相对应的特征向量；

取所选向量的平均值作为当前状态特征向量的估计向量F_est；以及

通过欧几里得距离d(F,F_est)表征两者之间的偏离程度

5.如权利要求1所述的基于EDM及谱峭度的轴承早期故障诊断方法，其特征在于，所述故障信号分解与重构步骤包括：

在所述原始信号中加入高斯白噪声，得到混合噪声信号；

对该混合噪声信号进行经验模态分解，得到各本征模态函数分量；

重复将不同白噪声加入原始信号，并重复经验模态分解；以及

将每次经验模态分解所对应的本征模态函数分量进行平均处理。

6.如权利要求1所述的基于EDM及谱峭度的轴承早期故障诊断方法，其特征在于，所述故障类型诊断步骤包括：通过得到的包络谱计算轴承各个故障的故障频率1-3倍频处的谱峰度并求和，记为A_g，则某种故障的可能性为

其中，P_g为故障部位百分比。

Images