CN115014765A - 一种通过声信号提取滚动轴承保持架故障特征的方法 - Google Patents

Abstract

本发明公开一种通过声信号提取滚动轴承保持架故障特征的方法，通过多点最优最小熵反卷积方法生成最优FIR滤波器，之后采用窗函数，对采集到的声信号进行滤波，提高信号的信噪比；定义基于拉普拉斯变换的稀疏参数与极限阈值，运用稀疏增强的方法对经过最优FIR滤波器滤波后的声信号进行处理，从而获得增强后的信号；最后对经过稀疏增强后的信号，通过希尔伯特变换构造对应的解析信号；对解析信号的模取平方，得到平方包络信号；再对平方包络信号进行傅里叶变换，将其幅值取平方后便得到平方包络谱；将平方包络谱上的峰值频率及其倍频与滚动轴承保持架的故障特征频率进行比对，判断保持架故障。该方法能够从声信号中提取出明显的故障特征。

Description

一种通过声信号提取滚动轴承保持架故障特征的方法

技术领域

本发明属于信号处理领域，尤其涉及一种基于多点最优最小熵反卷积与稀疏增强的滚动轴承保持架故障的声信号特征提取方法。

背景技术

滚动轴承在旋转机械中有着重要的意义和广泛的应用，对其运行状态监测和故障诊断对保证整个机械系统的可靠性至关重要。声信号相比于振动信号，具有非接触、不解体、高效便捷等优点，非常适合诊断恶劣环境下的机械设备，且其传感器布置的位置更加灵活、方便，适用于机械结构复杂设备的信号采集。但声信号噪声复杂，信噪比低，相比于振动信号，其故障特征提取难度更大。从噪声信号中提取故障相关暂态特征来揭示轴承微弱故障是长期状态监测的有效手段。由于背景噪声信号的复杂性，被测声信号通常包含强干扰成分，故障特征频率不明显，尤其是保持架的故障特征提取，因此，针对这一问题，提出了一种基于多点最优最小熵反卷积与稀疏增强的滚动轴承保持架故障的声信号特征提取方法。

多点最优最小熵反卷积(Multipoint Optimal Minimum Entropy DeconvolutionAdjusted，以下简称MOMEDA)作为一种非迭代反卷积方法，已被证明是一种有效的工具，可以从噪声信号中提取与故障相关的脉冲，并对复杂的未知传输路径进行补偿，使目标定位和轴承故障显示在更早的终止条件下。

目前已有专利如公布号为CN 108168886 A的TQWT与MOMEDA相结合的方法、公布号为CN 113591241 A的基于VMD与自适应MOMEDA方法等，这些专利重点主要在于基于振动信号对滚动轴承内圈及外圈的故障特征进行提取，对于保持架的故障特征提取效果并不显著，也没有涉及到声信号。

发明内容

针对现有的滚动轴承保持架故障特征难以提取的问题，本发明提出一种通过声信号提取滚动轴承保持架故障特征的方法，该方法结合MOMEDA和稀疏增强，可以进一步抑制噪声成分，增强周期性故障脉冲，对保持架故障特征频率的显现有显著的效果。

本发明的目的通过如下的技术方案来实现：

一种通过声信号提取滚动轴承保持架故障特征的方法，包括以下步骤：

(1)通过声传感器采集旋转机械中的滚动轴承运转时的声信号；

(2)根据旋转机械的运转参数和滚动轴承的参数，通过多点最优最小熵反卷积方法计算取整得到预设故障脉冲周期T；

(3)通过多点最优最小熵反卷积方法生成最优FIR滤波器，使用的滤波器长度大于预设故障脉冲周期T；之后采用窗函数，对采集到的声信号进行滤波，提高信号的信噪比，为故障的诊断识别做准备；

(4)定义基于拉普拉斯变换的稀疏参数S(x)与极限阈值τ，运用稀疏增强的方法对经过所述最优FIR滤波器滤波后的声信号进行处理，从而获得增强后的信号，抑制信号中的干扰成分，增强故障的相关成分，进一步提高信号的信噪比；

(5)对经过稀疏增强后的信号，通过希尔伯特变换构造对应的解析信号；对解析信号的模取平方，得到平方包络信号；再对平方包络信号进行傅里叶变换，将其幅值取平方后得到平方包络谱；

(6)将平方包络谱上的峰值频率及其倍频与滚动轴承保持架的故障特征频率进行比对，误差小于设定的阈值，判断为保持架故障。

进一步地，步骤(2)具体的步骤为：

(2-1)获取所述声传感器的采样频率与滚动轴承所在轴的转速；

(2-2)根据滚动轴承故障特征频率公式，计算得到保持架的故障特征频率；

(2-3)将所述采样频率除以保持架的故障特征频率，得到预设故障脉冲周期T。

进一步地，如若为保持架故障，所述步骤(5)中的平方包络谱的谱线会包含保持架的故障特征频率谱线及其多次倍频。

进一步地，所述步骤(3)中的窗函数为[1,1,1,1,1]。

进一步地，所述步骤(4)中，基于拉普拉斯变换的稀疏参数S(x)和极限阈值τ的计算公式如下：

其中，λ为比例尺参数，取值为0.5；N为数据点的数量；x(i)为表征声信号的数据点。

本发明的有益效果如下：

滚动轴承保持架故障声信号噪声多，故障相关信息容易被淹没。本发明在MOMEDA算法的基础上，引入了稀疏增强方法，提高滤波后声信号的信噪比，使得基于声信号的滚动轴承保持架的故障诊断成为可能，且提取出的故障特征更加明显。

附图说明

图1为根据一示例性实施例示出的本发明方法的流程示意图；

图2为根据一示例性实施例示出的滚动轴承保持架故障实物图；

图3为本发明实施例的原始信号时域图；

图4为本发明实施例的原始信号平方包络谱图；

图5为本发明实施例的经过MOMEDA生成的滤波器滤波的信号y时域图；

图6为本发明实施例的经过MOMEDA生成的滤波器滤波的信号y平方包络谱图；

图7为本发明实施例的信号经过MOMEDA和稀疏增强后的信号时域图；

图8为本发明实施例的信号经过MOMEDA和稀疏增强后的信号平方包络谱图。

具体实施方式

下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明的通过声信号提取滚动轴承保持架故障特征的方法，包括以下步骤：

(1)通过声传感器(即麦克风)采集旋转机械中的滚动轴承运转时的声信号；

(2)根据旋转机械的运转参数(如转速等)和滚动轴承的参数(如滚动轴承的内外圈直径、接触角等)，通过多点最优最小熵反卷积方法计算取整得到预设故障脉冲周期T；具体子步骤如下：

(2-1)获取所述声传感器的采样频率与滚动轴承所在轴的转速；

(2-2)根据滚动轴承故障特征频率公式，计算得到保持架的故障特征频率；

(2-3)将所述采样频率除以保持架的故障特征频率，得到预设故障脉冲周期T。

(3)通过多点最优最小熵反卷积方法生成最优FIR滤波器，使用的滤波器长度大于预设故障脉冲周期T；之后采用窗函数，对采集到的声信号进行滤波，提高信号的信噪比，为故障的诊断识别做准备；

MOMEDA针对已知位置的周期性冲击信号，通过非迭代的方式，寻找到最优的有限脉冲响应(FIR)滤波器，进而重建振动和冲击信号y。MOMEDA的原理如下：

上式中，

为振动信号向量，

为滤波器向量组，

是确定冲击分量位置和权重的目标向量。

然后通过对滤波器系数进行求导来解决式(2)的极值问题：

即：

其中，

因为

并且假设

存在：

因为

的倍数也是式(5)的解，因此也是MOMEDA的解。其计算结果可以简单总结如下：

对于滚动轴承的故障诊断，应当考虑由预设故障脉冲周期分隔开的一连串脉冲来解决问题：

t_n＝P_n(T)＝δ_round(T)+δ_round(2T)+δ_round(3T)+… (9)

在实际应用的过程中，预设故障脉冲周期T可能并不是整数，因此需要进行取整。

此外，人们发现，在应用的过程中，引入窗函数

可以减少轴承打滑和机器微弱的速度变化所造成的影响，并且可以获得更大的周期步长，如：

本实施例中，窗函数为[1,1,1,1,1]。

(4)定义基于拉普拉斯变换的稀疏参数S(x)与极限阈值τ，运用稀疏增强的方法对经过所述最优FIR滤波器滤波后的声信号进行处理，从而获得增强后的信号，抑制信号中的干扰成分，增强故障的相关成分，进一步提高信号的信噪比；

其中，稀疏参数S(x)可表示为：

其中，λ为比例尺参数，在本发明中设置为0.5。

τ＞0，为极限控制阈值，可以取为：

其中，N为数据点的数量。

从MOMEDA算法生成的FIR滤波器中得到的信号y(i)(i＝1,2,3,…,2N)，其稀疏增强的过程如下：

y^*(i)＝y(i)·S(y(i)) (14)

(5)对经过稀疏增强后的信号，通过希尔伯特变换构造对应的解析信号；对解析信号的模取平方，得到平方包络信号；再对平方包络信号进行傅里叶变换，将其幅值取平方后便得到平方包络谱；

(6)将平方包络谱上的峰值频率及其倍频与滚动轴承保持架的故障特征频率进行比对，误差小于设定的阈值，判断为保持架故障。如若为保持架故障，平方包络谱的谱线会包含保持架的故障特征频率谱线及其多次倍频。

下面对某离心泵的滚动轴承保持架进行故障诊断。

其中，该实施例中，声传感器其采样频率均为51200Hz，滚动轴承的保持架故障如图2所示。平稳运转时，电机的转速为1500rpm。

将得到的声信号导入MATLAB，实验所使用的滚动轴承型号为NSK 7008C，滚动轴承节圆直径为54mm，滚动体直径为8mm，接触角为15°，滚动体个数为16。根据滚动轴承保持架的故障特征频率计算公式，

得到该滚动轴承保持架的故障特征频率为10.7Hz。MOMEDA算法中，滤波器的长度应当大于预设故障脉冲周期T。而因为T＝round(51200/f_c)≈4785，因此使用的滤波器长度设置为5000，窗函数为[1,1,1,1,1]。MATLAB中的代码如下：

L＝5000；

window＝ones(5,1)；

T＝round(51200/10.7)；

[MKurt f y]＝momeda(x,L,window,T,1)；

其中，输出f即为理想的滤波器，y即为经过滤波后的信号。

如图3所示为原始信号时域波形图，图4为原始信号平方包络谱。如图5所示为滤波后的时域波形图，图6为滤波后信号y的平方包络谱。从图3可知，原始信号信噪比较低，无法直接分析出故障特征频率。经过MOMEDA生成的滤波器之后，信号y的平方包络谱图上显示出了故障特征频率，但其频率成分并不突出。

对滤波后的信号y经行稀疏增强，MATLAB中的代码如下：

a＝mean(abs(y))

ys＝Spare2(y,a)；

bpf＝[]；

p＝.9999；

plotFlag＝0；

cpswFlag＝0；

[xSES,alpha,th]＝SES(ys,fs,bpf,plotFlag,p,cpswFlag)；

其中，“Spare2”函数为对滤波后信号y进行稀疏增强的自编写函数。

经过经过稀疏增强后的信号时域波形图如图7所示，其平方包络谱如图8所示。由图8所示的平方包络谱图上可知，该信号的故障特征频率及其倍频都非常突出，因此诊断为滚动轴承保持架故障。因此，证明，采用本发明的MOMEDA和稀疏增强的方法对滚动轴承保持架故障的声信号进行特征提取的方法能够进行滚动轴承保持架的故障诊断，且提取出的故障特征更加明显。

本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例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。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (5)

1.一种通过声信号提取滚动轴承保持架故障特征的方法，其特征在于，包括以下步骤：

(1)通过声传感器采集旋转机械中的滚动轴承运转时的声信号；

(2)根据旋转机械的运转参数和滚动轴承的参数，通过多点最优最小熵反卷积方法计算取整得到预设故障脉冲周期T；

(3)通过多点最优最小熵反卷积方法生成最优FIR滤波器，使用的滤波器长度大于预设故障脉冲周期T；之后采用窗函数，对采集到的声信号进行滤波，提高信号的信噪比，为故障的诊断识别做准备；

(4)定义基于拉普拉斯变换的稀疏参数S(x)与极限阈值τ，运用稀疏增强的方法对经过所述最优FIR滤波器滤波后的声信号进行处理，从而获得增强后的信号，抑制信号中的干扰成分，增强故障的相关成分，进一步提高信号的信噪比；

(5)对经过稀疏增强后的信号，通过希尔伯特变换构造对应的解析信号；对解析信号的模取平方，得到平方包络信号；再对平方包络信号进行傅里叶变换，将其幅值取平方后得到平方包络谱；

(6)将平方包络谱上的峰值频率及其倍频与滚动轴承保持架的故障特征频率进行比对，误差小于设定的阈值，判断为保持架故障。

2.根据权利要求1所述的通过声信号提取滚动轴承保持架故障特征的方法，其特征在于，步骤(2)具体的步骤为：

(2-1)获取所述声传感器的采样频率与滚动轴承所在轴的转速；

(2-2)根据滚动轴承故障特征频率公式，计算得到保持架的故障特征频率；

(2-3)将所述采样频率除以保持架的故障特征频率，得到预设故障脉冲周期T。

3.根据权利要求1所述的通过声信号提取滚动轴承保持架故障特征的方法，其特征在于，如若为保持架故障，所述步骤(5)中的平方包络谱的谱线会包含保持架的故障特征频率谱线及其多次倍频。

4.根据权利要求1所述的通过声信号提取滚动轴承保持架故障特征的方法，其特征在于，所述步骤(3)中的窗函数为[1,1,1,1,1]。

5.根据权利要求1所述的通过声信号提取滚动轴承保持架故障特征的方法，其特征在于，所述步骤(4)中，基于拉普拉斯变换的稀疏参数S(x)和极限阈值τ的计算公式如下：

其中，λ为比例尺参数，取值为0.5；N为数据点的数量；x(i)为表征声信号的数据点。

Images