一种基于时频域多维振动特征融合的滚动轴承故障诊断方法技术

本发明专利技术提出了一种基于时频域多维故障特征融合的滚动轴承故障诊断算法，针对滚动轴承的正常状态、滚子故障、内环故障和外环故障四种状态下的振动信号在时频域上各自的特点，采取提取时域、频域特征，去冗余，再融合的思路，对故障特点进行优化描述，并得出智能判别结果。首先对提取的原始滚动轴承振动数据进行小波消噪，然后提取时域特征向量组成时域特征矩阵，并且提取小波包分解和重构后的系数能量矩组成频域特征矩阵，进一步融合时频域矩阵，得到时频域的多维故障特征矩阵。对多维特征矩阵进行去冗余处理，得到新的多维特征矩阵。然后用加权的特征指标距将多维特征进行信息融合，通过融合得到的特征指标距得出滚动轴承的状态的判别结果。

【技术实现步骤摘要】
一种基于时频域多维振动特征融合的滚动轴承故障诊断方法
本专利技术属于自动化检测及模式识别领域，具体涉及旋转机械故障诊断和智能识别方法。
技术介绍
滚动轴承的故障诊断大概始于20世纪60年代，经过几十年的迅猛发展，到现在已经成为一个融合了机械检测领域和自动控制领域以及模式识别领域的综合性应用学科。滚动轴承作为机械设备中的关键部件，其状态对机械系统的正常运行起着至关重要的作用。影响滚动轴承运行状态的因素有很多如温度、机械和环境因素，有些故障是瞬间产生的，而有些是缓慢长期退化引起的，由此产生的滚动轴承故障形式是多样的，引起的故障严重程度也有差别。滚动轴承由外环、内环、滚子和保持架等单元组成。滚动轴承的故障复杂性还体现在单元故障特征多样性以及单元的故障原因不唯一，通过轴承故障诊断，定位轴承故障单元，对找出故障原因起着关键作用。1946年，Gabor提出的短时傅里叶变换是最早提出的一种时频分析方法，只适于分析在时间窗内平稳的一些缓变的非平稳信号，时间窗内的分辨率是固定不变的。经验模态分解(EMD)最早由美国国家宇航局的美籍华人NordenE.Huang于1996年提出，是一种基于经验的非线性、非平稳信号分析方法，目前尚未有原理证明该方法的科学性。EMD提取的IMF个数的判别算法并不完善，容易出现端点效应，丢失信号的频率信息，使诊断精度受到影响，并且提取信号边际谱和Hilbert谱的算法时间复杂度高，不利于实际操作。小波包分析是基于时频域的信号处理方法，其良好的局部优化性质，使得小波包分析在处理非平稳信号上表现出多尺度和对突变信号的探测能力，成为故障诊断和信号分析领域的研究的热点。单一的时域特征和频域特征所反映的信号特征不全面，时域特征无法反映频域的振动信息，同样在频域分析中无法反映出时域的特征趋势。以往的故障诊断中，都是提取单一域的特征，或者提取少量典型特征进行诊断分析，诊断精度有限，这就迫切需要更加全面的诊断算法，来实现诊断精度的突破。并且在智能判别算法上，神经网络等各种非线性分类器的算法复杂度要高，而采用特征指标距进行分类，不仅降低算法复杂度，还利于编程实现，具有良好的工程应用价值。
技术实现思路
本专利技术目的在于从更全面，更高精度和更小复杂度方面优化滚动轴承故障诊断技术，提出了一种基于时频域多维振动特征融合的滚动轴承故障诊断方法，该方法全面反映滚动轴承振动信号的特征，并且在很短的时间内完成很高的诊断正确率，同时易于实现轴承的实时在线监测，该方案的具体步骤如下：消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理；特征参数提取器对消噪后的不同工况下的滚动轴承的振动信息，提取多个时域特征参数，每个时域特征参数选取多组样本组成时域特征矩阵；小波包分解器对消噪后的不同工况下的滚动轴承的振动信息，进行小波包分解，小波包重构器重构分解后的小波包系数；计算处理器对重构的小波包系数进行能量矩计算，得到小波包能量矩阵；所述计算处理器将时域矩阵和频域矩阵融合为多维特征矩阵，用相关系数法剔除诊断精度不高的冗余特征向量，生成新的多维特征矩阵；所述计算处理器求出滚动轴承多维特征矩阵的指标距；根据多维特征指标距判断滚动轴承的状态属性。该方案的特点首先给出了多维特征矩阵的定义，全面反映了振动信号的时域和频域特征，提高诊断精度；然后，去除诊断效果较差的特征的影响，减少特征冗余，提高算法的计算时间复杂度；第三，采用多维特征指标距进行智能诊断，提高诊断效率，采用各种编译器都容易进行算法实现。附图说明图1是多维时频域振动特征融合的滚动轴承故障诊断流程图图2是正常滚动轴承原始振动信号和消噪后振动信号对比图3是内环故障滚动轴承原始振动信号和消噪后振动信号对比图4是提取的四种状态下的轴承振动信号时域特征对比图图5是时域特征诊断可靠度对比图图6是频域特征均值和方差图7是多维特征矩阵去冗余结果图8是特征指标距的诊断结果图具体实施方式本专利技术所提出的基于多特征参量的滚动轴承故障诊断方法流程图如图1所示:S101.消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理；消噪器对采集的原始的滚动轴承振动信号进行自适应阈值的小波消噪处理。滚动轴承在运行中往往受到附近设备振动以及其它外界因素的影响，在实际应用中，消噪器需要对信号进行消噪处理，去除干扰信息，以保证滚动轴承故障诊断真实可靠。消噪采用小波自适应阈值的方法进行，通过下式先对二进小波变换系数ωj,k进行压缩，获得阈值消噪后的小波系数αj,k进行重构获得满足最小均方误差的消噪结果：其中，ωj,k为尺度j的第k点的小波系数，为尺度j的小波变换系数均值，tj为尺度j下的消噪阈值水平，αj,k为经过消噪后在尺度j的第k点的小波系数。为了获得满足最大信噪比的消噪阈值估计，采用能满足阈值估计的函数：其中，Ci,j是第j尺度下小波系数的各个局部成分的复杂度的最大值，Cmax是等长的高斯白噪声复杂度，α0是置信度，τi,j是第j尺度的具有最大复杂度的局部成分鲁棒估计。经验系数用来纠正信号中的噪声的影响，其意义就是需要对信号中没有不含有效信号的时间段的估计阈值进行修正。为了在去除噪声的同时最大程度保留信号的特征信息，置信度α0选择为一定置信范围的局部信号标准差统计的加权值。采集的正常状态下的滚动轴承原始振动信号n1(t)和采用自适应阈值的小波消噪后信号x1(t)，如图2所示。采集的内环故障状态下的滚动轴承原始振动信号n2(t)以及采用自适应阈值的小波消噪后的内环故障信号x2(t)，如图3所示。S102.特征参数提取器对消噪后的不同工况下的滚动轴承的振动信息，提取多个时域特征参数，每个时域特征参数选取多组样本组成时域特征矩阵；特征参量提取器对消噪后的不同工况下的滚动轴承的振动信息，提取时域6个时域无量纲的特征参量，选取8组样本成时域特征矩阵。所选的原始时域特征参量为峭度、峰值、裕度、波形、脉冲、偏态，想要得到这些特征，首先要求得以下有量纲的参量：方均根(Root-Mean-Squarevalue)方根幅值(Radical-Number-Amplitude)绝对平均幅值(Average-Absolute-Amplitude)在有量纲的参量基础上，求得以下无量纲参量作为时域特征，组成时域特征向量T=[kvcfclsfifsk]，公式为：正常、滚子故障、内环故障和外环故障四种状态下的滚动轴承振动信号时域特征参数对比如图4所示。6种时域特征参量的轴承状态辨识可靠度如图5所示。S103.小波包分解器对消噪后的不同工况下的滚动轴承的振动信息，进行小波包分解，小波包重构器重构分解后的小波包系数；小波包分解器及小波包重构器分别对预处理后的信号进行小波包分解和重构，提取重构信号的能量矩。将信号s(t)按任意时频分辨率分解到不同的频段，并将信号s(t)的时频成分相应地投影到所有代表不同频段的正交小波包空间。其中，小波包重构器进行小波包重构的方法和小波包分解器进行小波包分解的推演过程完全相反。小波包分解公式为重构公式为：其中，hL-2k*和gL-2k*分别是分解高通滤波器和分解低通滤波器；hk-2L和gk-2L是重构hL-2k*和gL-2k*的高通滤波器和重构低通滤波器，是待分解的信号系数。采用4层db3小波包分解算法对信号进行分本文档来自技高网...

【技术保护点】
一种基于多维时频域特征矩阵的滚动轴承故障诊断方法，其特征在于包括以下步骤： 消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理； 特征参数提取器对消噪后的不同工况下的滚动轴承的振动信息，提取多个时域特征参数，每个时域特征参数选取多组样本组成时域特征矩阵； 小波包分解器对消噪后的不同工况下的滚动轴承的振动信息，进行小波包分解，小波包重构器重构分解后的小波包系数； 计算处理器对重构的小波包系数进行能量矩计算，得到小波包能量矩阵； 所述计算处理器将时域矩阵和频域矩阵融合为多维特征矩阵，用相关系数法剔除诊断精度不高的冗余特征向量，生成新的多维特征矩阵； 所述计算处理器求出滚动轴承多维特征矩阵的指标距；根据多维特征指标距判断滚动轴承的状态属性。

【技术特征摘要】
1.一种基于多维时频域特征矩阵的滚动轴承故障诊断方法，其特征在于包括以下步骤：消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理；特征参数提取器对消噪后的不同工况下的滚动轴承的振动信息，提取多个时域特征参数，每个时域特征参数选取多组样本组成时域特征矩阵；小波包分解器对消噪后的不同工况下的滚动轴承的振动信息，进行小波包分解，小波包重构器重构分解后的小波包系数；计算处理器对重构的小波包系数进行能量矩计算，得到小波包能量矩阵；所述计算处理器将时域特征矩阵和小波包能量矩阵融合为多维特征矩阵，用相关系数法剔除诊断精度不高的冗余特征向量，生成新的多维特征矩阵；所述计算处理器求出滚动轴承多维特征矩阵的指标距；根据所述多维特征矩阵的指标距判断滚动轴承的状态属性。2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，多维特征矩阵为由一组滚动轴承振动样本提取的不同特征参量组成的特征矩阵其中，r表示样本组数，s表示特征个数，A为多维特征矩阵。3.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理，包括：通过公式对二进小波变换系数ωj,k进行压缩，获得阈值消噪后的小波系数αj,k进行重构获得满足最小均方误差的消噪结果，其中，ωj,k为尺度j的第k点的小波系数，为尺度j的小波变换系数均值，tj为尺度j下的消噪阈值水平，αj,k为经过消噪后在尺度j的第k点的小波系数；利用函数进行阈值估计，其中，Ci,j是第j尺度下小波系数的各个局部成分的复杂度的最大值，Cmax是等长的高斯白噪声复杂度，α0是置信度，...

【专利技术属性】
技术研发人员：付云骁，贾利民，吕劲松，季常煦，姚德臣，李乾，卢勇，
申请(专利权)人：北京交通大学，广州市地下铁道总公司，
类型：发明
国别省市：北京;11