【技术实现步骤摘要】
本专利技术涉及一种基于自适应多尺度AVGH变换的轴承故障信号特征提取方法,其属于机械故障诊断与信号处理
技术介绍
实际工程中,滚动轴承故障振动信号是典型的非线性、非平稳信号,信号中故障特征容易被各种背景噪声所掩盖,因此在强背景噪声下诊断轴承故障的难度很大。数学形态学是一种典型的非线性信号处理方法,它通过特定尺度和形状的结构元素对信号时域波形的局部细节进行拟合修整,在提取信号中主要波形特征的同时,能有效消除背景噪声的干扰。采用形态学方法处理故障信号,关键是要构建特定结构的形态学滤波器,传统的形态学滤波器主要由腐蚀、膨胀、开运算和闭运算组合而成,主要用于消除故障信号中背景噪声,提取故障特征的能力较弱。一些新的形态学滤波器如:差值滤波器、梯度滤波器,虽然偏重于信号中故障特征的提取,但是这些滤波器将信号中的负值信息变为正值信息,改变了信号的组成成分,处理结果的鲁棒性较差。信号波形中特定尺度的结构目标只能由特定尺度的结构元素来对应处理,因此,形态学滤波过程中,故障特征提取和降噪滤波的效果主要取决于结构元素尺度的选择。目前主要采用单一尺度结构元素构建的形态学滤波器对故障信号进行处理,但是,故障振动信号非常复杂,包含多个不同尺度的结构目标,单一尺度形态学滤波往往不能充分地分析信号。相比采用单一尺度,多尺度形态学滤波可以不同尺度的结构元素处理不同尺度大小的结构目标。因此,采用多个不同尺度结构元素对信号进行形态学滤波具有更为出色的抑制噪声和特征提取能力。通过多尺度形态学滤波器实现滚动轴承故障振动信号的诊断,需要解决两个问题:一是构建一个能够兼顾信号降噪、故障特征 ...
【技术保护点】
一种基于自适应多尺度AVGH变换的轴承故障信号特征提取方法,其特征在于:其包括如下步骤:步骤1、根据传感器采集轴承故障信号所设置的各项参数指标,确定分析信号所要使用的初始多尺度结构元素的个数及最初的结构元素值;步骤2、通过形态学膨胀运算,构建初始多尺度结构元素组成的集合;步骤3、计算轴承故障振动信号在初始多尺度结构元素下对应的形态学AVG‑Hat变换的结果,构建在初始多尺度结构元素下信号形态学AVG‑Hat变换的结果的集合;步骤4、通过粒子群优化方法,选用形态学AVG‑Hat滤波器滤波后的轴承故障振动信号的排列熵与包络谱稀疏度的比值作为评价指标,将其作为粒子群优化方法的最优适应度函数值,完成粒子群寻优迭代过程,自适应确定最优多尺度形态学AVG‑Hat滤波器滤波后初始多尺度结构元素对应的最优权重系数;步骤5、根据所述步骤4中不同尺度结构元素对应的权重系数,构建最优的多尺度形态学AVG‑Hat滤波器;步骤6、计算最优的多尺度形态学AVG‑Hat滤波器处理轴承故障振动信号的结果,通过所述轴承故障振动信号的包络谱分析,提取所述轴承故障振动信号中的故障特征成分,诊断轴承故障。
【技术特征摘要】
1.一种基于自适应多尺度AVGH变换的轴承故障信号特征提取方法,其特征在于:其包括如下步骤:步骤1、根据传感器采集轴承故障信号所设置的各项参数指标,确定分析信号所要使用的初始多尺度结构元素的个数及最初的结构元素值;步骤2、通过形态学膨胀运算,构建初始多尺度结构元素组成的集合;步骤3、计算轴承故障振动信号在初始多尺度结构元素下对应的形态学AVG-Hat变换的结果,构建在初始多尺度结构元素下信号形态学AVG-Hat变换的结果的集合;步骤4、通过粒子群优化方法,选用形态学AVG-Hat滤波器滤波后的轴承故障振动信号的排列熵与包络谱稀疏度的比值作为评价指标,将其作为粒子群优化方法的最优适应度函数值,完成粒子群寻优迭代过程,自适应确定最优多尺度形态学AVG-Hat滤波器滤波后初始多尺度结构元素对应的最优权重系数;步骤5、根据所述步骤4中不同尺度结构元素对应的权重系数,构建最优的多尺度形态学AVG-Hat滤波器;步骤6、计算最优的多尺度形态学AVG-Hat滤波器处理轴承故障振动信号的结果,通过所述轴承故障振动信号的包络谱分析,提取所述轴承故障振动信号中的故障特征成分,诊断轴承故障。2.根据权利...
【专利技术属性】
技术研发人员:邓飞跃,杨绍普,郭文武,潘存治,郝如江,申永军,
申请(专利权)人:石家庄铁道大学,
类型:发明
国别省市:河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。