一种基于LCD‑MF的滚动轴承故障诊断方法技术

本发明专利技术为一种基于LCD‑MF的滚动轴承故障诊断方法，利用局部特征尺度分解得到若干内禀尺度分量(ISC)，选取有用的内禀尺度分量分别计算Teager能量算子(TEO)，从而得到每个内禀尺度分量对应的瞬时幅值和瞬时频率。然后利用多重分形去趋势波动分析(MFDFA)对每个内禀尺度分量的瞬时幅值进行分析，提取其广义Hurst指数作为内禀尺度分量的多重分形特征。之后，利用主成分分析(PCA)进行降维，将主成分分析的结果作为故障特征向量。通过实时采集变工况下的滚动轴承工作振动信号，将采集的振动信号通过以上步骤的处理得到相应的故障特征向量M，对故障特征向量进行辨识以实现滚动轴承的故障检测及故障定位。

【技术实现步骤摘要】
一种基于LCD-MF的滚动轴承故障诊断方法
本专利技术属于滚动轴承的故障诊断
，特别涉及一种基于LCD-MF的滚动轴承故障诊断方法。
技术介绍
滚动轴承的作用是支承转动轴及轴上零件，并保持轴的正常工作位置和旋转精度，其特点是使用维护方便、工作可靠、起动性能好、在中等速度下承载能力较高。滚动轴承是机械设备中常用的关键零部件，其工作状态是否正常直接关系到整条生产线的正常运行状态。滚动轴承的故障常常会导致生产力的大幅度降低，严重时甚至会导致巨大财产损失。为了保证滚动轴承在良好的状态下运行，需要对滚动轴承进行状态监控和故障诊断。因而研究滚动轴承的故障检测和诊断技术，对于避免重大事故、减少人力物力损失以及变革维修体质等具有重要的理论研究价值和实际应用意义。在故障诊断领域，最重要的一个环节是特征提取，提取的特征可以用以表征滚动轴承的运行状态。但是，轴承振动信号的非平稳特性和外界干扰因素的存在增加了振动信号特征提取的难度。因此，很多学者将研究重点放在了特征提取方法上。对于目前现存的常用诊断方法，如时域分析、频域分析以及能量分析，尽管它们都具有广泛的学术工程应用，但当对象系统为时变系统时，其诊断效果难以令人满意。因此，近几年来时频分析被越来越多的运用到时变信号的分析中，如WIGNER-VILLE分布、小波变化等。WIGNER-VILLE分布是双线性时频分析的基础，可以获得很高的时频分辨率。但是当WIGNER-VILLE分布用于处理多分量信号时会不可避免的受到交叉干扰项的影响。虽然小波分析有着深厚的数学基础和广泛的应用前景，但使用小波分析需要提前根据信号的特点选取小波基。在状态监测和故障诊断高度自动化的今天，小波变换的这一缺点极大限制了其进一步发展。因此，出现了许多自适应的时频分析方法。其中，应用最广泛的是经验模态分解(EMD)。无需任何基函数的构建和参数的提前设置，理论上经验模态分解可以将任何复杂信号分解为几个基本模态分量(IMF)的线性叠加。对每个基本模态分量进行希尔伯特变换可以得到瞬时幅值和瞬时频率，因此，这种方法尤其适合分析时变信号。为了克服经验模态分解的一些局限，如包络误差和模态混叠，出现了EMD的一些衍生方法，如集成经验模态分解(EEMD),局部特征尺度分解(LMD)和局部集成经验模态分解(ELMD)。近来出现了一种新的信号分解方法，即局部特征尺度分解(LCD)。通过对基线的重新定义，局部特征尺度分解可以将原信号分解为若干个内禀尺度分量(ISC)。此外，在保留经验模态分解的优点的同时，局部特征尺度分解可以有效减少无效分量和模态混叠。分形分析是特征提取方法的另外一个分支，常用来揭示信号的内在分形特性。由于分形特性可以反映非线性系统不同状态下的动力学机制，因此，分形特性可以作为特征进行提取。通常的单重分形方法具有一定的局限性，如单重分形只关注事物的整体分形特性，却忽略了局部分形特性；一个复杂信号中的单一分量有不同的分形特性，只用单重分形去分析复杂信号明显缺乏足够的鲁棒性。近来，越来越多的学者使用多重分形分析从多尺度的角度分析事物的分形特性。在众多多重分形分析方法中，多重分形去趋势波动分析(MF-DFA)是一种新提出的方法，该方法可以有效的展现事物的分形特性。
技术实现思路
本专利技术的目的是为了解决常用的滚动轴承故障诊断方法缺乏足够的鲁棒性，缺乏对工况改变的适应性以及对不同故障程度的分类效果较差等方面的缺陷。为此，提出一种基于局部特征尺度分解和多重分形去趋势波动分析相结合的滚动轴承故障诊断方法。本专利技术是一种基于LCD-MF的滚动轴承故障诊断方法，结合了局部特征尺度分解和多重分形理论对滚动轴承进行故障诊断，利用多重分形理论对每个内禀尺度分量提取广义Hurst指数并通过PCA降维获得故障特征向量，包括以下步骤：步骤一、获取滚动轴承在正常、内圈故障、外圈故障以及滚动单体故障共四种状态下的时域信号。设每种状态下获取N组时域信号，每组时域信号包含n个采样数据。步骤二、对每组时域信号进行局部特征尺度分解，分解得到若干内禀尺度分量(ISC)，这些内禀尺度分量包含了待处理的时域信号的不同时间尺度的局部特征信号。步骤三、选取前k个内禀尺度分量，对选取的每个内禀尺度分量分别计算Teager能量算子(TEO)，从而得到每个内禀尺度分量对应的瞬时幅值和瞬时频率。步骤四、利用多重分形去趋势波动分析对每个内禀尺度分量的瞬时幅值进行分析，提取其广义Hurst指数作为内禀尺度分量的多重分形特征。步骤五、利用主元分析(PCA)进行降维，将主元分析的结果作为故障特征向量。步骤六、实时采集滚动轴承工作振动信号，将采集的振动信号通过步骤二到步骤五的处理得到相应的故障特征向量，对故障特征向量进行辨识以实现滚动轴承的故障检测及故障定位。本专利技术的优点与积极效果在于：(1)充分利用局部特征尺度分解针对非平稳信号的优点,使复杂信号分解为有限个内禀尺度分量，各内禀尺度分量包含了原信号的不同时间尺度的局部特征信号；在此基础上利用Teager能量算子计算瞬时幅值的同时，对于受到调制的信号也起到了解调的作用，有利于进一步对故障定位的准确分析。(2)高频段的内禀尺度分量对应着M个频率族(M的大小视选取的ISC个数而定)，而其它的ISC分量为噪声，因此，本专利技术方法充分利用了局部特征尺度分解方法在分开M个频率族的同时达到去除噪声的目的。(3)充分利用多重分形去趋势波动分析对信号分形特性的良好展现能力，从多尺度角度分析提取的主要内禀尺度分量；相较于单重分形分析方法，基于多重分形去趋势波动分析的多重分形分析方法可以更加全面更加普遍的展现信号分形特性，提取的特征向量可以更好的表征轴承当前状态，提高了轴承故障诊断方法的判断精度。(4)与常用的轴承故障诊断方法相比，本专利技术方法针对不同工况下同一种故障模式的不同信号所获得的特征向量矩阵具有较高的重合度，表明该方法对变工况下的同种故障模式识别度较高；不同故障模式信号所获得的特征向量矩阵相互间差别较大，表明变工况下的不同故障模式相互间区分度较高；此外，同种故障模式不同故障程度所得到的特征向量矩阵相互间差别较大，未出现混叠现象，表明本专利技术方法可以有效实现同种故障模式下的不同故障程度识别。(5)鉴于本专利技术方法的良好特征提取效果，可以结合相应的神经网络亦可不结合神经网络直接根据特征向量进行判断，从而实现滚动轴承的故障诊断定位；实现故障诊断后，还可以进一步根据特征向量进行故障严重程度的划分。特征提取完全可以通过传感器和计算机相连接实现实时监测和实时诊断，无需相关人员学习过于专业的知识，只需对相关知识有一定了解就可进行故障诊断和故障严重度判别，降低了对操作分析人员的专业要求。附图说明图1为本专利技术的滚动轴承故障诊断方法整体步骤流程图；图2是局部特征尺度分解分解流程图；图3为本专利技术实施例中内圈故障信号时域图；图4为本专利技术实施例中正常信号LCD分解结果图；图5为本专利技术实施例中内圈故障信号LCD分解结果图；图6为本专利技术实施例中外圈故障信号LCD分解结果图；图7为本专利技术实施例中滚动单体故障信号LCD分解结果图；图8为本专利技术实施例中内圈故障信号ISC1瞬时幅值频谱图；图9为本专利技术实施例中故障直径为7mils的不同故障模式下广义Hurst指数示意图，其中图本文档来自技高网...

【技术保护点】
一种基于LCD‑MF的滚动轴承故障诊断方法，结合了局部特征尺度分解和多重分形理论对滚动轴承进行故障诊断，利用多重分形理论对每个内禀尺度分量提取广义Hurst指数并通过PCA降维获得故障特征向量，其特征在于：该方法包括以下步骤：步骤一、获取滚动轴承在正常、内圈故障、外圈故障以及滚动单体故障共四种状态下的时域信号；设每种状态下获取N组时域信号，每组时域信号包含n个采样数据；其中，N，n为正整数；步骤二、对每组时域信号进行局部特征尺度分解，分解得到若干内禀尺度分量(ISC)，这些内禀尺度分量包含了待处理的时域信号的不同时间尺度的局部特征信号；步骤三、选取前k个内禀尺度分量，对选取的每个内禀尺度分量分别计算Teager能量算子(TEO)，从而得到每个内禀尺度分量对应的瞬时幅值和瞬时频率；步骤四、利用多重分形去趋势波动分析对每个内禀尺度分量的瞬时幅值进行分析，提取其广义Hurst指数作为内禀尺度分量的多重分形特征；步骤五、利用主元分析(PCA)进行降维，将主元分析的结果作为故障特征向量；步骤六、实时采集滚动轴承工作振动信号，将采集的振动信号通过步骤二到步骤五的处理得到相应的故障特征向量，对故障特征向量进行辨识以实现滚动轴承的故障检测及故障定位。...

【技术特征摘要】
1.一种基于LCD-MF的滚动轴承故障诊断方法，结合了局部特征尺度分解和多重分形理论对滚动轴承进行故障诊断，利用多重分形理论对每个内禀尺度分量提取广义Hurst指数并通过主元分析PCA降维获得故障特征向量，其特征在于：该方法包括以下步骤：步骤一、获取滚动轴承在正常、内圈故障、外圈故障以及滚动单体故障共四种状态下的时域信号；设每种状态下获取N组时域信号，每组时域信号包含n个采样数据；其中，N，n为正整数；步骤二、对每组时域信号进行局部特征尺度分解，分解得到若干内禀尺度分量，这些内禀尺度分量包含了待处理的时域信号的不同时间尺度的局部特征信号；步骤三、选取前k个内禀尺度分量，对选取的每个内禀尺度分量分别计算Teager能量算子，从而得到每个内禀尺度分量对应的瞬时幅值和瞬时频率；步骤四、利用多重分形去趋势波动分析对每个内禀尺度分量的瞬时幅值进行分析，提取其广义Hurst指数作为内禀尺度分量的多重分形特征；步骤五、利用主元分析PCA...

【专利技术属性】
技术研发人员：刘红梅，张吉昌，王轩，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11