CN112924176A - 一种基于时域等效源法的滚动轴承故障声学诊断方法 - Google Patents

Abstract

本发明公开了一种基于时域等效源法的滚动轴承故障声学诊断方法，首先利用传声器分别采集健康和故障的样本轴承运行时所辐射出的极近场声压信号，针对样本轴承的声压信号进行特征提取获得训练集，通过机器学习算法对训练集进行学习获得分类模型；然后利用传声器阵列在近场采集以待测目标轴承为声源所辐射出的声压信号，使用时域等效源法重建出目标轴承声源源强；最后基于重建的目标轴承声源源强提取特征，得到标签未知的样本后使用分类模型进行故障诊断。本发明利用声信号进行故障诊断，具有非接触式测量的优势，采用时域等效源法重建声源源强，能够消除干扰，突出故障特征，提高故障诊断的分类精度。

Description

一种基于时域等效源法的滚动轴承故障声学诊断方法

技术领域

本发明属于轴承故障诊断领域，尤其涉及一种非接触式的滚动轴承故障声学诊断方法。

背景技术

机械装备的安全运行是保证生产制造、交通运输等行业正常运作的重要基石，滚动轴承作为旋转机械中最基础且最易发生故障的零部件之一，研究其故障诊断技术具有重要意义。现有的滚动轴承故障诊断技术大多采用振动信号进行故障诊断，但是，当遇到高温、潮湿、有腐蚀性或不便于安装传感器的设备时，难以通过安装振动传感器来测量振动信号，因此基于振动信号的故障诊断技术在此时有了局限性。

机械噪声会随着振动特性一起发生变化，因此，声信号中也蕴含了机械设备运行的状态信息，理论上也可以用于故障诊断，并且声学测量是非接触式的测量方式，可以避免接触式测量带来的诸多问题。传统基于声信号故障诊断方法的主要思路是采用一两支传声器测量机器噪声信号，对传声器所测得的原始声信号进行复杂的映射或变换，以求降低噪声和冗余信息，达到突出故障特征的目的。然而，声信号在传播过程中存在干涉、衍射等现象，同时，在存在其它干扰声源的情况下都会造成信噪比低的问题，这使得基于声信号故障诊断的使用条件较为苛刻，实施难度大，适用范围较窄。

发明内容

本发明针对上述现有技术不足，提供一种基于时域等效源法的滚动轴承故障声学诊断方法，利用声信号进行故障诊断，以获得信号易于测取，以及非接触式测量的优势。同时，通过使用时域等效源法重建出源强信号，消除其它方向声源以及背景干扰的影响，突出故障特征，显著提高了故障诊断的分类精度。

本发明解决技术问题所采用的技术方案是：

本发明基于时域等效源法的滚动轴承故障声学诊断方法的特点是：利用已知的健康轴承和故障轴承获得轴承故障诊断的声学统计分类模型，再利用所述轴承故障诊断的声学统计分类模型针对目标轴承进行故障诊断；

所述轴承故障诊断的声学统计分类模型是按如下步骤获得：

步骤1.1：分别以健康轴承和故障轴承为样本轴承，在样本轴承的极近场区域内利用传声器进行声压信号采集，分别获得健康轴承和故障轴承在轴承试验台上轴承座中运行时的样本轴承声压信号；

首先，使用传声器分别采集健康和故障两种状态的样本轴承运行时所辐射出的极近场声压信号，再对样本轴承声压信号进行特征提取工作，即可得到训练集，再使用机器学习算法对训练集中样本进行学习，获得轴承故障诊断分类模型；然后，使用传声器阵列在近场采集以待测目标轴承为声源所辐射出的声压信号，再使用时域等效源法重建出目标轴承声源源强；最后，基于重建出的目标轴承声源源强提取特征，获得标签未知的样本，使用该样本结合分类模型进行故障诊断；

步骤1.2：针对步骤1.1中所获取的样本声压信号进行时域统计特征提取，将健康轴承的时域统计特征标注为正类样本，将故障轴承的时域统计特征标注为负类样本，由所有正类样本和负类样本共同构成训练集；

步骤1.3：采用机器学习算法对所述训练集中所有正类样本和负类样本进行学习，获得轴承故障诊断声学统计分类模型；

所述针对目标轴承进行故障诊断是按如下步骤进行；

步骤2.1：以待测轴承为目标轴承，在所述目标轴承的近场区域内呈阵列布置各测点，在各测点上分别设置传声器，形成传声器阵列；针对在轴承试验台上轴承座中运行时的目标轴承，由所述传声器阵列进行声压信号采集，获得各测点上目标轴承声压信号；

步骤2.2：利用步骤2.1中所获得的各测点上目标轴承声压信号采用时域等效源法重建获得目标轴承的源强信号；

步骤2.3：针对步骤2.2中所获得的目标轴承处的源强信号进行时域统计特征提取，获得标签未知的目标轴承样本；

步骤2.4：利用所述轴承故障诊断声学统计分类模型针对所述标签未知的目标轴承样本进行分类诊断，实现轴承故障诊断。

本发明基于时域等效源法的滚动轴承故障声学诊断方法的特点也在于：所述样本轴承的极近场区域是指在所述轴承试验台上轴承座的外围1-2cm的区域。

本发明基于时域等效源法的滚动轴承故障声学诊断方法的特点也在于：所述时域统计特征包括：偏度指标S、峭度指标K、波形因子W_f、峰值因子C_f、裕度指标CL_f和脉冲指标I_f，并有：

其中

其中

其中x_max＝max(x_l)；

其中

x_l为信号时域数据序列；l为自然数，l＝1,2,...,L；L为信号时域数据序列x_l中数据个数。

本发明基于时域等效源法的滚动轴承故障声学诊断方法的特点也在于：

所述步骤2.2是按如下步骤利用各测点上目标轴承声压信号采用时域等效源法重建获得目标轴承的源强信号：

在声源面上均匀布置N个单极子等效源，以n表征第n个等效源，即等效源n，n＝1,2,…,N；在所有等效源中存在有与目标轴承声源位置重合的等效源，则传声器m的声压值P_Hm(t)由式(1)所表征：

式(1)中：

t表示测量时间，τ_Hmn表示等效源n对应于传声器m的声源时间；

τ_Hmn＝t-R_Hmn/c，R_Hmn为传声器m与等效源n之间的距离，

q_n(τ_Hmn)为等效源n在τ_Hmn时刻的源强；c为声速；

针对声源时间τ进行采样离散，离散声源时间τ^j由式(2)所表征：

τ^j＝τ⁰+j·Δτ, j＝1,2,…J (2)

式(2)中：

j为声源时间步，τ⁰为初始声源时间，Δτ为离散声源时间步长，J为离散声源时间点个数；

为实现声场重建，引入插值函数Φ^j(τ)，则等效源n在τ时刻的源强时间函数q_n(τ)由式(3)所表征：

式(3)中：

表示等效源n在时间步j时的源强，插值函数Φ^j(τ)如式(4)所示：

将式(1)中q_n(τ_Hmn)利用式(3)中q_n(τ)进行表达，获得插值的时域等效源方程如式(5)：

若τ_Hmn∈[τ^k-1，τ^k]，则将式(5)表达为式(6)：

τ^k-1是小于τ_Hmn且与τ_Hmn最近的离散声源时间点；

τ^k是大于τ_Hmn且与τ_Hmn最近的离散声源时间点；

对测量时间t进行离散，则离散测量时间t_i由式(7)所表征：

t_i＝t₀+i·Δt, i＝1,2,…,I (7)

式(7)中：

i为测量时间步，t₀为初始测量时间，Δt为离散测量时间步长，I为离散测量时间点个数；

令：τ⁰＝t₀-R_Hmin/c，Δτ＝Δt，I＝J；

R_Hmin为R_Hmn中最小值，时间步取为i，即测量时间为t_i，则声源时间

如式(8)：

由式(5)和式(8)获得式(9)：

依据式(9)获得由式(10)所表征的M个测点在测量时间t_i的声压值

式(10)中：

是由式(11)所表征的M×N的矩阵；

表示所有M个测点在t_i时与所有等效源在τ^j时刻的源强之间的传递矩阵；

Q^j表示所有等效源在τ^j时刻的源强列向量

利用式(10)，从i＝1开始通过奇异值分解和求广义逆矩阵获得各个时间步的等效源强Qⁱ如式(13)：

式(13)中：Qⁱ为N×1的列向量；

在完成各个时间步的等效源强求解时，获得所有N个等效源在所有I个测量时间步的等效源强Q：

式(14)中：

q₁为第1个等效源在所有I个测量时间步下的等效源强；

q₂为第2个等效源在所有I个测量时间步下的等效源强；

q_N为第N个等效源在所有I个测量时间步下的等效源强；

为第n个等效源在第i个测量时间步下的等效源强，其中i＝1,2，…,I，n＝1,2,…,N；

假定N个等效源中第e个等效源与目标轴承声源位置重合，则q_e即为目标轴承的源强。

与已有技术相比，本发明有益效果体现在：

1、本发明使用声信号进行故障诊断，具有信号易于测取、非接触式测量的优势，克服了接触式测量在某些不便或不能安装传感器环境下的缺点；

2、本发明在声信号处理方式上使用时域等效源法重建出滚动轴承的源强信号，能够起到消除其他方向声源以及背景干扰的影响，突出故障特征的目的。同时，有效地拓宽了基于声信号故障诊断技术的适用范围。

附图说明

图1为传声器阵列、等效源和声源的位置关系示意图；

图2为本发明中P1处干扰声源源强和P2处目标轴承声源源强信号示意图；

图3为本发明中阵列中最内圈X轴上传声器所采集的声压信号波形图；

图4为本发明中P2处声源外围2cm处传声器所采集的声压信号波形图；

图5为本发明中目标轴承声源处的重建信号和原始源强信号对比图；

图6为本发明使用仿真数据进行分类诊断的效果图；

图7为本发明使用实验数据进行分类诊断的效果图。

具体实施方式

本实施例中基于时域等效源法的滚动轴承故障声学诊断方法是利用已知的健康轴承和故障轴承获得轴承故障诊断的声学统计分类模型，再利用轴承故障诊断的声学统计分类模型针对目标轴承进行故障诊断。

轴承故障诊断的声学统计分类模型是按如下步骤获得：

步骤1.1：分别以健康轴承和故障轴承为样本轴承，在样本轴承的极近场区域内利用传声器进行声压信号采集，分别获得健康轴承和故障轴承在轴承试验台上轴承座中运行时的样本轴承声压信号。

步骤1.2：针对步骤1.1中所获取的样本声压信号进行时域统计特征提取，将健康轴承的时域统计特征标注为正类样本，将故障轴承的时域统计特征标注为负类样本，由所有正类样本和负类样本共同构成训练集。

步骤1.3：采用机器学习算法对训练集中所有正类样本和负类样本进行学习，获得轴承故障诊断声学统计分类模型。

针对目标轴承进行故障诊断是按如下步骤进行；

步骤2.1：以待测轴承为目标轴承，在目标轴承的近场区域内呈阵列布置各测点，在各测点上分别设置传声器，形成传声器阵列；针对在轴承试验台上轴承座中运行时的目标轴承，由传声器阵列进行声压信号采集，获得各测点上目标轴承声压信号。

步骤2.2：利用步骤2.1中所获得的各测点上目标轴承声压信号采用时域等效源法重建获得目标轴承的源强信号。

步骤2.3：针对步骤2.2中所获得的目标轴承处的源强信号进行时域统计特征提取，获得标签未知的目标轴承样本。

步骤2.4：利用轴承故障诊断声学统计分类模型针对标签未知的目标轴承样本进行分类诊断，实现轴承故障诊断。

本实施例中，样本轴承的极近场区域是指在轴承试验台上轴承座的外围1-2cm的区域，在该区域内所采集的声信号受其它声源以及反射、衍射等因素的干扰较小，有较高的信噪比。

本实施例中使用传声器阵列采集待测目标轴承声源辐射出的近场声压信号时，除了待测目标轴承声源发声之外，允许其它声源在其附近作为干扰声源的存在。干扰声源的源强可以是平稳信号或非平稳信号。

本实施例中使用的机器学习算法为支持向量机SVM，支持向量机是在小样本统计理论基础之上提出的，与神经网络相比有更好的泛化能力。

本实施例中时域统计特征包括：偏度指标S、峭度指标K、波形因子W_f、峰值因子C_f、裕度指标CL_f和脉冲指标I_f，并有：

其中

其中

其中x_max＝max(x_l)；

其中

x_l为信号时域数据序列；l为自然数，l＝1,2,...,L；L为信号时域数据序列x_l中数据个数。

上述各时域统计特征对于信号变化的频率和幅值均不敏感，可视为滚动轴承的运动条件与信号变化的频率和幅值均无关，此类时域统计特征尤其适于滚动轴承故障诊断监测。

本实施例中步骤2.2是按如下步骤利用各测点上目标轴承声压信号采用时域等效源法重建获得目标轴承的源强信号：

在声源面上均匀布置N个单极子等效源，以n表征第n个等效源，即等效源n，n＝1,2,…,N；在所有等效源中存在有与目标轴承声源位置重合的等效源，则传声器m的声压值P_Hm(t)由式(1)所表征：

式(1)中：

t表示测量时间，τ_Hmn表示等效源n对应于传声器m的声源时间；

τ_Hmn＝t-R_Hmn/c，R_Hmn为传声器m与等效源n之间的距离；

q_n(τ_Hmn)为等效源n在τ_Hmn时刻的源强；c为声速；

针对声源时间τ进行采样离散，离散声源时间τ^j由式(2)所表征：

τ^j＝τ⁰+j·Δτ, j＝1,2,…J (2)

式(2)中：

τ⁰为初始声源时间，Δτ为离散声源时间步长，j为声源时间步，J为离散声源时间点个数；

为实现声场重建，引入插值函数Φ^j(τ)，则等效源n在τ时刻的源强时间函数q_n(τ)由式(3)所表征：

式(3)中：

表示等效源n在时间步j时的源强，插值函数Φ^j(τ)如式(4)所示：

将式(1)中q_n(τ_Hmn)利用式(3)中q_n(τ)进行表达，获得插值的时域等效源方程如式(5)：

若τ_Hmn∈[τ^k-1，τ^k]，则将式(5)表达为式(6)：

τ^k-1是小于τ_Hmn且与τ_Hmn最近的离散声源时间点；

τ^k是大于τ_Hmn且与τ_Hmn最近的离散声源时间点；

式(6)实际是将式(1)中的q_n(τ_Hmn)由q_n ^k-1和q_n ^k的插值结果进行代替。

对测量时间t进行离散，则离散测量时间t_i由式(7)所表征：

t_i＝t₀+i·Δt, i＝1，2,…，I (7)

式(7)中：

t₀为初始测量时间，Δt为离散测量时间步长，i为测量时间步，I为离散测量时间点个数；

令：τ⁰＝t₀-R_Hmin/c，Δτ＝Δt，I＝J；

R_Hmin为R_Hmn中最小值，时间步取为i，即测量时间为t_i，则声源时间

如式(8)：

由式(5)和式(8)获得式(9)：

依据式(9)获得由式(10)所表征的M个测点在测量时间t_i的声压值

式(10)中：

是由式(11)所表征的M×N的矩阵；

表示所有M个测点在t_i时与所有等效源在τ^j时刻的源强之间的传递矩阵；

Q^j表示所有等效源在τ^j时刻的源强列向量

利用式(10)，从i＝1开始通过奇异值分解和求广义逆矩阵获得各个时间步的等效源强Qⁱ

如式(13)：

式(13)中：Qⁱ为N×1的列向量；

在完成各个时间步的等效源强求解时，获得所有N个等效源在所有I个测量时间步的等效源强Q：

式(14)中：

q₁为第1个等效源在所有I个测量时间步下的等效源强；

q₂为第2个等效源在所有I个测量时间步下的等效源强；

q_N为第N个等效源在所有I个测量时间步下的等效源强；

为第n个等效源在第i个测量时间步下的等效源强，其中i＝1,2，…,I，n＝1,2,…,N；

假定N个等效源中第e个等效源与目标轴承声源位置重合，则q_e即为目标轴承的源强。

针对本发明方法按如下方式进行检验：

方式一：采用数值仿真的方式验证本发明的有效性。

如图1所示，假设空间中有两个单极子点声源，P1处为干扰声源，坐标为(0.2,0,0.1)，P2处为目标轴承声源，坐标为(-0.1,0.173,0.1)，两个声源在空间坐标系Z＝0.1m的平面上，称该平面为声源面S_P，该平面与布置等效源的平面E_P重合。其中干扰声源和轴承声源的源强信号设置方式如下：

P1处干扰声源的源强信号为调幅信号，由基频为[0,6.4]kHz的宽频信号和载频为1000Hz的单频信号所形成的调幅信号。

P2处轴承声源为外圈故障轴承信号时，其源强信号μ(t)的表达式如式(15)：

μ(t)＝A₁∑_qδ(t-q/f_c) (15)

式(15)中：A₁是冲击信号幅值，q是冲击信号个数，f_c为故障特征频率，δ(t)是由式(16)所表征的冲击响应函数：

式(16)中：p_b为脉冲宽度，f₀为共振中心频率，t为时间。

令故障轴承声源源强信号参数为：A1＝0.5，p_b＝620，f₀＝4400Hz，f_c＝130Hz。

当P2处为健康轴承声源时，源强信号A(t)的表达如式(17)：

A(t)＝A₂[sin(2πf₁t)+sin(2πf₂t)] (17)

式(17)中：A₂为信号幅值，令A₂＝0.3，f₁＝100Hz，f₂＝200Hz，t为时间。

首先，采集目标轴承运行时辐射的极近场声压信号构造训练集。如图1所示，在P2处目标轴承声源外围2cm处放置一只传声器，即传声器C₁，利用传声器C₁采集轴承运行时辐射的极近场声压信号，令采样频率f_s＝12800Hz，采样时间为15s。保持P1处干扰声源源强信号不变，利用传声器C₁分别采集P2处声源为外圈故障轴承信号和健康轴承信号时辐射的声压信号，由采集获得的声压信号作为训练数据构造训练集；每0.2s为一个样本，健康轴承标注为正类，故障轴承标注为负类，形成正、负类样本各75个。

然后，使用阵列在轴承近场区域内采集轴承运行时辐射的近场声压信号。如图1所示，测量阵列由36个均匀分布的传声器组成，即传声器S₁,…,S₃₆，阵列所在测量面为空间坐标系Z＝0的平面，即测量面H_P，与声源面间的距离D＝10cm，阵列半径为0.3m。令采样频率f_s＝12800Hz，采样时间为15s。保持P1处声源源强信号为调幅信号不变，采用阵列传声器分别采集P2处声源源强为外圈故障轴承信号和健康轴承信号时辐射的声压信号。再结合时域等效源法重建获得P2处声源为健康轴承信号和外圈故障轴承信号时的源强信号。基于两个重建信号构造测试集，每0.2s为一个样本，健康轴承标注为正类，故障轴承标注为负类，形成正类样和负类样本各75个。

图2所示为本发明中P2处声源为外圈故障轴承信号时，P1处干扰声源源强和P2处目标轴承声源源强信号示意图，图2中曲线a₁为干扰源的源强信号，曲线b₁为目标源的源强信号。图2中可见，干扰源的源强幅值大于目标源的源强幅值，这会使P2处目标轴承声源所产生的声信号湮没在P1处干扰声源所产生的声信号当中。图3可见阵列中最内圈X轴上传声器所测得的声压信号无法突出目标轴承声源的故障特征，相反，该传声器所测得的声压信号中幅值间歇性激增与P1处声源有关，而P2处声源所产生的声信号被湮没。

图4所示P2处声源外围2cm处传声器声压信号波形图，因为距离目标轴承声源非常近，所以测得的信号能够较好的展现出因故障所引起的冲击特性，信噪比高。

图5为P2处声源为外圈故障轴承信号时，目标声源的重建信号和原始源强信号的对比，图5中曲线a₂为重建信号，曲线b₂为原始信号；图5可见重建信号和原始信号差异较小，重建信号能够展示出声源的真实状态，突出声源状态特征。因此，使用重建信号提取的特征参数进行分类诊断可以得到更高的准确率。

图6为在由重建信号所构建的测试集中随机挑选38个正类，37个负类输入SVM模型得到的分类结果。图6可见，使用由训练集学习得到的SVM模型进行分类，得到的分类准确率为97.33％，图6中a₃表示真实样本标签，b₃表示预测样本标签。表明本发明使用声阵列测量轴承运行时的声场信号，使用时域等效源法的近场声全息技术重建出目标轴承声源处的源强信号，然后提取特征，并结合SVM能够得到较高的分类准确率，从数值仿真的角度验证了本发明的有效性。

方式二：使用实验数据验证本发明的有效性。

在轴承故障模拟实验台上进行故障模拟实验，轴承座中待测轴承作为目标轴承声源，有较大噪声的实验台电机作为干扰声源。其中，电机干扰声源与目标轴承声源间的距离为0.8m。在目标轴承声源外围2cm处布置一个传声器采集目标轴承声源辐射的极近场声压信号。同时使用声阵列采集目标轴承声源辐射的近场声压信号，阵列由36个传声器组成，分3圈匀布置，阵列半径为0.4m，阵列所在平面为测量面。其中，目标轴承声源与阵列测量面间距离D＝10cm。

首先，先后将同一型号的健康轴承和外圈故障轴承放入实验台轴承座中作为目标轴承声源，令转速为1500rpm，径向载荷为0，采样频率f_s＝12800Hz，采样时间为15s，使用目标轴承声源外围2cm处的传声器和阵列同时采集由目标轴承声源和电机干扰声源所辐射的声压信号。

然后，分别对健康轴承和外圈故障轴承的声源外围2cm处传声器所采集的声信号进行时域特征提取，每0.2s为一个样本，健康轴承标注为正类，故障轴承标注为负类，从而形成正、负类样本各75个，由此构建出训练集。另外，对两种状态下阵列所采集的近场声压信号分别使用时域等效源法重建出两种状态下目标轴承声源处的源强信号，再对重建信号进行时域统计特征提取，每0.2s为一个样本，健康轴承标注为正类，故障轴承标注为负类，形成正、负类样本各75个，由此构建出测试集。

最后，使用SVM对训练集中所有样本进行学习，得到分类模型，再从测试集中随机挑选75个样本(38个正类，37个负类)使用该模型进行分类诊断。分类结果见图7，得到的分类准确率为98.667％，图7中a₄表示真实样本标签，b₄表示预测样本标签。

本发明方法在存在有电机干扰声源影响下能够得到较高的准确率，进一步从实验的角度验证了本发明的有效性。

Claims (4)

1.一种基于时域等效源法的滚动轴承故障声学诊断方法，其特征是：利用已知的健康轴承和故障轴承获得轴承故障诊断的声学统计分类模型，再利用所述轴承故障诊断的声学统计分类模型针对目标轴承进行故障诊断；

所述轴承故障诊断的声学统计分类模型是按如下步骤获得：

步骤1.1：分别以健康轴承和故障轴承为样本轴承，在样本轴承的极近场区域内利用传声器进行声压信号采集，分别获得健康轴承和故障轴承在轴承试验台上轴承座中运行时的样本轴承声压信号；

首先，使用传声器分别采集健康和故障两种状态的样本轴承运行时所辐射出的极近场声压信号，再对样本轴承声压信号进行特征提取工作，即可得到训练集，再使用机器学习算法对训练集中样本进行学习，获得轴承故障诊断分类模型；然后，使用传声器阵列在近场采集以待测目标轴承为声源所辐射出的声压信号，再使用时域等效源法重建出目标轴承声源源强；最后，基于重建出的目标轴承声源源强提取特征，获得标签未知的样本，使用该样本结合分类模型进行故障诊断；

步骤1.2：针对步骤1.1中所获取的样本声压信号进行时域统计特征提取，将健康轴承的时域统计特征标注为正类样本，将故障轴承的时域统计特征标注为负类样本，由所有正类样本和负类样本共同构成训练集；

步骤1.3：采用机器学习算法对所述训练集中所有正类样本和负类样本进行学习，获得轴承故障诊断声学统计分类模型；

所述针对目标轴承进行故障诊断是按如下步骤进行；

步骤2.1：以待测轴承为目标轴承，在所述目标轴承的近场区域内呈阵列布置各测点，在各测点上分别设置传声器，形成传声器阵列；针对在轴承试验台上轴承座中运行时的目标轴承，由所述传声器阵列进行声压信号采集，获得各测点上目标轴承声压信号；

步骤2.2：利用步骤2.1中所获得的各测点上目标轴承声压信号采用时域等效源法重建获得目标轴承的源强信号；

步骤2.3：针对步骤2.2中所获得的目标轴承处的源强信号进行时域统计特征提取，获得标签未知的目标轴承样本；

步骤2.4：利用所述轴承故障诊断声学统计分类模型针对所述标签未知的目标轴承样本进行分类诊断，实现轴承故障诊断。

2.根据权利要求1所述的基于时域等效源法的滚动轴承故障声学诊断方法，其特征是：所述样本轴承的极近场区域是指在所述轴承试验台上轴承座的外围1-2cm的区域。

3.根据权利要求1所述的基于时域等效源法的滚动轴承故障声学诊断方法，其特征是：所述时域统计特征包括：偏度指标S、峭度指标K、波形因子W_f、峰值因子C_f、裕度指标CL_f和脉冲指标I_f，并有：

其中

其中

其中x_max＝max(x_l)；

其中

x_l为信号时域数据序列；l为自然数，l＝1,2,...,L；L为信号时域数据序列x_l中数据个数。

4.根据权利要求1所述的基于时域等效源法的滚动轴承故障声学诊断方法，其特征是：

所述步骤2.2是按如下步骤利用各测点上目标轴承声压信号采用时域等效源法重建获得目标轴承的源强信号：

在声源面上均匀布置N个单极子等效源，以n表征第n个等效源，即等效源n，n＝1,2,…,N；在所有等效源中存在有与目标轴承声源位置重合的等效源，则传声器m的声压值P_Hm(t)由式(1)所表征：

式(1)中：

t表示测量时间，τ_Hmn表示等效源n对应于传声器m的声源时间；

τ_Hmn＝t-R_Hmn/c，R_Hmn为传声器m与等效源n之间的距离，

q_n(τ_Hmn)为等效源n在τ_Hmn时刻的源强；c为声速；

针对声源时间τ进行采样离散，离散声源时间τ^j由式(2)所表征：

τ^j＝τ⁰+j·Δτ，j＝1，2，…J (2)

式(2)中：

j为声源时间步，τ⁰为初始声源时间；

Δτ为离散声源时间步长，J为离散声源时间点个数；

为实现声场重建，引入插值函数Φ^j(τ)，则等效源n在τ时刻的源强时间函数q_n(τ)由式(3)所表征：

式(3)中：

表示等效源n在时间步j时的源强，插值函数Φ^j(τ)如式(4)所示：

将式(1)中q_n(τ_Hmn)利用式(3)中q_n(τ)进行表达，获得插值的时域等效源方程如式(5)：

若τ_Hmn∈[τ^k-1，τ^k]，则将式(5)表达为式(6)：

τ^k-1是小于τ_Hmn且与τ_Hmn最近的离散声源时间点；

τ^k是大于τ_Hmn且与τ_Hmn最近的离散声源时间点；

对测量时间t进行离散，则离散测量时间t_i由式(7)所表征：

t_i＝t₀+i·Δt，i＝1，2，...，I (7)

式(7)中：

i为测量时间步，t₀为初始测量时间，Δt为离散测量时间步长，I为离散测量时间点个数；

令：τ⁰＝t₀-R_Hmin/c，Δτ＝Δt，I＝J；

R_Hmin为R_Hmn中最小值，时间步取为i，即测量时间为t_i，则声源时间

如式(8)：

由式(5)和式(8)获得式(9)：

依据式(9)获得由式(10)所表征的M个测点在测量时间t_i的声压值

式(10)中：

是由式(11)所表征的M×N的矩阵；

表示所有M个测点在t_i时与所有等效源在τ^j时刻的源强之间的传递矩阵；

Q^j表示所有等效源在τ^j时刻的源强列向量

利用式(10)，从i＝1开始通过奇异值分解和求广义逆矩阵获得各个时间步的等效源强Qⁱ如式(13)：

式(13)中：Qⁱ为N×1的列向量；

在完成各个时间步的等效源强求解时，获得所有N个等效源在所有I个测量时间步的等效源强Q：

式(14)中：

q₁为第1个等效源在所有I个测量时间步下的等效源强；

q₂为第2个等效源在所有I个测量时间步下的等效源强；

q_N为第N个等效源在所有I个测量时间步下的等效源强；

为第n个等效源在第i个测量时间步下的等效源强，其中i＝1，2，...，I，n＝1，2，...，N；

假定N个等效源中第e个等效源与目标轴承声源位置重合，则q_e即为目标轴承的源强。

Images