一种自适应声信号轴承故障诊断方法技术

本发明专利技术公开了一种自适应声信号轴承故障诊断方法，首先运用最大相关峭度反褶积方法(MCKD)增强轴承故障声音信号中的周期冲击，然后对处理后信号进行改进自适应噪声完备集合经验模态分解(ACEEMD)处理，计算每个经验模态分量的峭度值，根据峭度值最大原则自动提取最优分量并求Hilbert包络谱，以准确提取故障特征频率；在声音信号故障诊断中，若特征故障频率被噪声淹没，采用MCKD可以在一定程度上减少因为分量选择不当而造成的误差，在选取最优分量过程中，CEEMDAN与MCKD结合使用可获得更好效果，所提出方法在一定程度上增强了周期冲击成分，为选择合适分量提供了一定的依据。

【技术实现步骤摘要】
一种自适应声信号轴承故障诊断方法
本专利技术属于轴承故障检测
，具体涉及一种自适应声信号轴承故障诊断方法。
技术介绍
传统滚动轴承故障诊断基于振动信号实现，但对于双转子轴承等特殊部件，因信号传递路径复杂，直接通过加速度传感器获取故障信号具有一定难度。在机械设备工作过程中声音信号伴随振动信号产生，声音信号中亦带有大量设备运行状态信息，发生故障时声音信号频谱会有所变化。利用设备工作过程中产生的异常噪音信号检测设备运行状态，相比于其他方式具有不接触和操作简单等优点。由于声音信号信噪比较低，故存在故障特征直接提取较困难等缺陷。针对声音信号信噪比较低这一问题提出了多种降噪方法。Donoh等提出的小波阈值去噪算法通过设置合适阈值区分信号和噪声，但是当原信号中某细节处的小波系数与噪声较多处的小波系数接近时，有用信号易被当成噪声滤掉；Huang等提出EEMD算法通过加入高斯白噪声避免模态混叠，但是最终加入的噪声有可能无法完全消除；CEEMD算法通过加入正负成对的辅助白噪声来抵消只加入正态白噪声导致的问题，但是增加了算法复杂度且没有完全解决模态混叠问题；Torres等提出的CEEMDAN算法可以利用自适应噪声有效减少计算成本并克服模态混叠问题。M.E.TORRES,M.A.COLOMINAS,G.SCHLOTTHAUER,P.FLANDRIN,"AcompleteEnsembleEmpiricalModedecompositionwithadaptivenoise,"IEEEInt.Conf.onAcoust.,SpeechandSignalProc.ICASSP-11,pp.4144-4147,Prague(CZ)多模态分解降噪方法在声音信号降噪方面较为有效，但当采用多模态分解降噪方法时，需要对多个模态分量逐个观察。钱伟等以峰值因子和裕度等多指标融合后的指标参数为诊断依据对飞机发电机进行故障诊断，取得了良好的诊断准确率；卿川等利用EMD滤波处理后的最大谱峭度分量构成的重构信号，结合匹配追踪算法提取出了故障冲击成分。峭度相比与其他时域参数，对冲击信号更为敏感，适用于轴承早期故障的诊断。轴承故障声音信号中存在的噪声具有复杂性和多样性，很大程度上增加了故障诊断的难度，MCKD作为一种性能良好的降噪方法已经引起了科研工作者的广泛关注。MCKD以相关峭度作为评价指标，可在一定程度上降低信号中的噪声成分，提升原始信号的峭度，从而充分突出轴承故障信号中被噪声淹没的周期冲击成分。G.L.McDonald,Q.Zhao,M.J.Zuo,MaximumcorrelatedKurtosisdeconvolutionandapplicationongeartoothchipfaultdetection,Mech.Syst.SignalProcess.33(2012)237–255.基于此，本文提出基于MCKD与ACEEMD的算法，增强了峭度指标在寻找最优模态分量过程中的可靠性，利用峭度准则选取最优分量，提高了诊断效率。
技术实现思路
为实现上述目的，本专利技术提供如下技术方案：一种自适应声信号轴承故障诊断方法，其特征在于：首先运用最大相关峭度反褶积方法(MCKD)增强轴承故障声音信号中的周期冲击，然后对处理后信号进行改进自适应噪声完备集合经验模态分解(ACEEMD)处理，计算每个经验模态分量的峭度值，根据峭度值最大原则自动提取最优分量并求Hilbert包络谱，以准确提取故障特征频率。作为本专利技术的一种自适应声信号轴承故障诊断方法优选技术方案，方法实现环境平台为Matlab，其具体步骤包括如下：S1：使用MCKD算法去除故障声音信号中的多源噪声；S2：降噪后信号经ACEEMD算法分解得到若干模态分量；S3：选取所有模态分量中的前M个模态分量进行峭度值计算，并自动求取最大峭度值模态分量的包络谱；S4：在包络谱中提取故障特征频率；S5：确定轴承故障类型。作为本专利技术的一种自适应声信号轴承故障诊断方法优选技术方案，所述最优分量进行包络谱分析后，根据频谱图中的突出频率范围确定后续MCKD参数T的优选范围，所述MCKD参数T的寻优范围，由公式T＝fs/fi确定，其中，fs为采样频率，fi为故障频率，未知故障频率即用所述突出频率代替，所述MCKD算法中滤波器长度参数L的寻优范围根据不同信号特征确定。作为本专利技术的一种自适应声信号轴承故障诊断方法优选技术方案，所述S4中故障频率具体包括外圈故障频率、内圈故障频率、滚动体故障频率或保持架故障频率。当轴承发生故障时，由于出现局部碰撞，会产生周期性冲击信号x，该冲击信号x传递到传感器上时，由于传输路径的影响会逐渐衰减，并且会掺杂大量的噪声成分e，假设路径传输衰减响应为h，则传感器拾取到的实测信号y可表示为：y＝h·x+e(1)而MCKD算法的本质是寻找一个滤波器，通过实测信号y恢复冲击信号x，从而达到抑制噪声和突出故障冲击成分的目的，即：式中：f＝[f1，f2，…fL]T为滤波器的系数组合，L为滤波器的长度。MCKD以相关峭度作为评定恢复信号x性能的指标，当相关峭度达到最大时，获得MCKD算法的最终结果。对于任意信号yn，相关峭度定义为：其中：T为冲击信号的周期；M为位移数。MCKD算法的目标函数为：依据求解方程：求解方程后得到的滤波器系数组合用矩阵形式表示如下：其中：式中：r＝0，T，2T，mT将得到的滤波器系数组合f代入公式(2)，即可得到周期性冲击信号x。在CEEMDAN算法中，分解得到的模态分量用IMFk表示，IMF1与EEMD中IMF1的计算方法相同。定义操作符Ej(·)表示通过EMD计算获得给定信号的第j个模态分量，wi为满足N(0，1)的高斯白噪声，如果x[n]是待处理的信号，则ACEEMD算法可描述如下：(1)利用EEMD算法分解得到的第一个模态分量为：(2)在第一阶段(k＝1)计算第一个余量：R1[n]＝X[n]-IMF1[n](8)(3)分解R1[n]+ε1E1(ωi[n])，(i＝1，2，…I)到第1个模态分量，则第2个模态分量表示为：(4)对于k＝2，3，...K，计算第k个余量：Rk[n]＝R(k-1)[n]-IMFk[n](10)(5)分解Rk[n]+εkEk(ωi[n])，(i＝1，2，…I)到第I个模态分量，第k+1个模态分量可表示为：(6)将k加1，返回第4步，重复第4步至第6步直到残差余量不适合被分解时，停止分解。最终的余量满足：其中，K表示分解得到的固有模态分量的数量，因此给定的参数X[n]可表示为：与现有技术相比，本专利技术的有益效果是：(1)ACEEMD方法可以有效去除声音信号中的多源干扰分量，从而更加准确的进行故障诊断。(2)MCKD可以有效突出冲击成分。在声音信号故障诊断中，若特征故障频率被噪声淹没，采用MCKD可以在一定程度上减少因为分量选择不当而造成的误差。(3)在选取最优分量过程中，ACEEMD与MCKD结合使用可获得更好效果。所提出方法在一定程度上增强了冲击成分，为选择合适分量提供了一定的依据，为今后进一步研究自适应CEEMDAN方法奠定了基础。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术本文档来自技高网...

【技术保护点】
1.一种自适应声信号轴承故障诊断方法，其特征在于：首先运用最大相关峭度反褶积方法(MCKD)增强轴承故障声音信号中的周期冲击，然后对处理后信号进行加入了可控噪声的自适应完备集合经验模态分解(ACEEMD)处理，计算每个经验模态分量的峭度值，根据峭度值最大原则自动提取最优分量并求Hilbert包络谱，以准确提取故障特征频率，进行有效故障诊断。

【技术特征摘要】
1.一种自适应声信号轴承故障诊断方法，其特征在于：首先运用最大相关峭度反褶积方法(MCKD)增强轴承故障声音信号中的周期冲击，然后对处理后信号进行加入了可控噪声的自适应完备集合经验模态分解(ACEEMD)处理，计算每个经验模态分量的峭度值，根据峭度值最大原则自动提取最优分量并求Hilbert包络谱，以准确提取故障特征频率，进行有效故障诊断。2.根据权利要求1所述的一种自适应声信号轴承故障诊断方法，其具体步骤包括如下：S1：定义相关峭度：其中：T为冲击信号的周期；M为位移数。同时利用以下公式：其中：式中：r＝0，T，2T，…，mT求取最优滤波器系数组合f，继而将f带入下式：利用最优滤波器实现使用MCKD算法强化周期性冲击信号，去除故障声音信号中的多源噪声，实现原始信号的初步降噪。S2：降噪后信号X[n]经改进自适应完备集合经验模态分解算法(ACEEMD)分解得到若干模态分量；改进后方法对高斯白噪声赋予权重，根据专家经验明确白噪声权重数值，在一定程度上优化降噪效果，改进后模态分量计算公式为：Rk[n]为第k阶段计算的模态余量；β为高斯白噪声权重。当残差余量不适合被分解时，停止分解。最终的余量满足：S3：选取所...

【专利技术属性】
技术研发人员：王华庆，申博文，李天庆，宋浏阳，陈学斌，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京,11