一种滚动轴承复合故障提取方法技术

本发明专利技术公开了一种滚动轴承复合故障提取方法，以最大相关峭度解卷积作为滤波器对原始振动信号滤波，通过合理的设计解卷积参数，使原始信号通过解卷积处理后升维成四组信号，分别对应四种故障类型，且所升维得到的四组信号各对应一个故障共振频带，以快速谱峭度图处理单共振频带信号，可以准确识别故障敏感频带并进行滤波，进而得到四组信号的包络谱，通过对比四组信号包络谱与理论计算所得故障特征频率的对应关系，可以判别原复合故障信号的故障类型。同时，在最大相关峭度解卷积参数的选择上，本发明专利技术采取经验区间内的粒子群寻优方法，能够提高参数选择的准确性和自适应性。

A complex fault extraction method for rolling bearing

The invention discloses a method for extracting composite rolling bearing fault, with the maximum correlation kurtosis deconvolution filter as the original vibration signal filtering and deconvolution through reasonable design parameters, the original signal through deconvolution after rising dimension into four sets of signals, corresponding to the four types of faults, and the rise of the four signals the dimension corresponds to a fault in the resonance frequency band, fast kurtogram spectrum processing single resonance frequency band signal, can accurately identify the fault sensitive frequency band and filter, and then get the envelope of four groups of signal spectrum, spectral correspondence the fault characteristic frequency and calculated by comparing the four groups of signal envelope, the fault type can be judged the original composite fault signal. At the same time, in the selection of maximum correlation kurtosis deconvolution parameters, the particle swarm optimization method based on empirical interval can improve the accuracy and adaptability of parameter selection.

【技术实现步骤摘要】
一种滚动轴承复合故障提取方法
本专利技术涉及一种轴承复合故障提取方法，尤其涉及一种滚动轴承复合故障提取方法，属于轴承故障诊断

技术介绍
滚动轴承是机械设备中应用最广泛的零部件之一，其运行状况是否良好直接影响机械设备的安全运行。实际工程中，轴承在恶劣的工程条件下运行，往往出现多种故障并存的现象。近年来，人们提出的包络解调、小波变换、形态学滤波等方法主要针对单故障，对复合故障分离存在困难。快速谱峭度图算法能够自适应的识别共振频带并通过包络解调方法提取故障特征，但在实际应用中，多故障源及噪声的干扰会导致谱峭度图对共振频带的选取不准确。为提高快速谱峭度分析复合故障的准确性，提出一种以最大相关峭度解卷积作为前置处理，以理论计算所得故障特征频率作为解卷积周期滤波，进而对解卷积所得信号进行快速谱峭度分析的轴承复合故障诊断方法。
技术实现思路
本专利技术要解决的技术问题是提供一种滚动轴承复合故障提取方法。为解决上述技术问题，本专利技术采用的技术方案是：一种滚动轴承复合故障提取方法，包括以下步骤：步骤1：样本采集：通过振动加速度传感器获得轴承运行过程的时域信号样本集；步骤2：获得最优化解卷积滤波参数：以自适应寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化为寻优指标，寻得最佳解卷积滤波参数组合(T*,L*)，T*为最优解卷积周期，L*为最优滤波器长度；步骤3：滤波：分别使用预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数，在最优化滤波参数条件下滤波时域信号样本集，得到与内圈故障、外圈故障、滚动体故障、保持架故障相对应的解卷积滤波输出数据；步骤4：确定故障类型：分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度分析，通过快速谱峭度图确定共振中心频率及带宽，再以共振中心频率及带宽为参数分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度滤波，提取相应输出数据的包络谱频率特征，分别计算与理论计算故障特征频率的相关性，根据相关性判定时域信号样本集对应的故障类型。所述步骤2中最优解卷积周期中心为fs为采样频率，f*为故障特征频率，解卷积周期寻优区间为滤波器长度寻优区间[50,300]。所述时域信号样本集对应一种故障类型，最大相关性对应的故障类型为时域信号样本集所对应的故障类型。所述时域信号样本集对应一种以上故障类型，根据相关性是否大于预设相应故障相关性阈值判定其对应的故障类型。与内圈故障、外圈故障、滚动体故障、保持架故障对应的最优化滤波参数分别在预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数条件下求取。所述最优化解卷积滤波参数使用粒子群寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化寻优求取。采用上述技术方案所取得的技术效果在于：1、本专利技术可以准确识别故障敏感频带并进行滤波，通过对比四组信号包络谱与理论计算所得故障特征频率的对应关系，可以判别原复合故障信号的故障类型。2、本专利技术采取经验区间内的粒子群寻优方法选择最大相关峭度解卷积参数，能够提高参数选择的准确性和自适应性。附图说明下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1是流程图；图2是本专利技术实施例的时域信号样本集；图3是本专利技术实施例的与内圈故障相对应的解卷积滤波输出数据；图4是本专利技术实施例的与外圈故障相对应的解卷积滤波输出数据；图5是本专利技术实施例的与滚动体故障相对应的解卷积滤波输出数据；图6是本专利技术实施例的与保持架故障相对应的解卷积滤波输出数据；图7是本专利技术实施例的与内圈故障相对应的解卷积滤波输出数据的快速谱峭度图；图8是本专利技术实施例的与外圈故障相对应的解卷积滤波输出数据的快速谱峭度图；图9是本专利技术实施例的与滚动体故障相对应的解卷积滤波输出数据的快速谱峭度图；图10是本专利技术实施例的与保持架故障相对应的解卷积滤波输出数据的快速谱峭度图；图11是本专利技术实施例的与内圈故障对应的输出数据进行快速谱峭度滤波输出数据；图12是本专利技术实施例的与外圈故障对应的输出数据进行快速谱峭度滤波输出数据；图13是本专利技术实施例的与滚动体故障对应的输出数据进行快速谱峭度滤波输出数据；图14是本专利技术实施例的与保持架故障对应的输出数据进行快速谱峭度滤波输出数据；图15是本专利技术实施例的与内圈故障对应的包络谱信号；图16是本专利技术实施例的与外圈故障对应的包络谱信号；图17是本专利技术实施例的与滚动体故障对应的包络谱信号；图18是本专利技术实施例的与保持架故障对应的包络谱信号。具体实施方式实施例1：一种滚动轴承复合故障提取方法，包括以下步骤：步骤1：样本采集：通过振动加速度传感器获得轴承运行过程的时域信号样本集；步骤2：获得最优化解卷积滤波参数：以自适应寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化为寻优指标，寻得最佳解卷积滤波参数组合(T*,L*)，T*为最优解卷积周期中心，L*为最优滤波器长度；步骤3：滤波：分别使用预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数，在最优化滤波参数条件下滤波时域信号样本集，得到与内圈故障、外圈故障、滚动体故障、保持架故障相对应的解卷积滤波输出数据；步骤4：确定故障类型：分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度分析，通过快速谱峭度图确定共振中心频率及带宽，再以共振中心频率及带宽为参数分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度滤波，提取相应输出数据的包络谱频率特征，分别计算与理论计算故障特征频率的相关性，根据相关性判定时域信号样本集对应的故障类型。所述步骤2中最优解卷积周期中心为fs为采样频率，f*为故障特征频率，解卷积周期寻优区间为滤波器长度寻优区间[50,300]。所述时域信号样本集对应一种故障类型，最大相关性对应的故障类型为时域信号样本集所对应的故障类型。所述时域信号样本集对应一种以上故障类型，根据相关性是否大于预设相应故障相关性阈值判定其对应的故障类型。与内圈故障、外圈故障、滚动体故障、保持架故障对应的最优化滤波参数分别在预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数，在最优化滤波参数条件下求取。所述最优化解卷积滤波参数使用粒子群寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化寻优求取。为了验证该方法对强背景噪声下轴承故障分离的有效性，在QPZZ轴承故障模拟实验台上完成了滚动轴承内圈、外圈复合故障模拟实验。试验采用6205E轴承，使用线切割机在轴承内圈、外圈上各加工出深1.5、宽0.2mm的凹槽来模拟轴承复合故障。采用数据采集卡由安装在轴承座上的加速度传感器采集振动信号。其中采样频率12800Hz，电机转速1466r/min。轴承故障特征频率计算为：其中：fi为内圈故障特征频率；fo为外圈故障特征频率；fball为滚动体故障特征频率；fcage为保持架故障特征频率。理论计算不同故障下解卷积周期中心Toi＝fs/fi＝12800/132.2＝96.8Too＝fs/fo＝12800/87.7＝146.0Toball＝fs/fball＝12800/57.9＝221.1Tocage＝fs/f本文档来自技高网...

【技术保护点】
一种滚动轴承复合故障提取方法，其特征在于：包括以下步骤：步骤1：样本采集：通过振动加速度传感器获得轴承运行过程的时域信号样本集；步骤2：获得最优化解卷积滤波参数：以自适应寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化为寻优指标，寻得最佳解卷积滤波参数组合(T*,L*)，T*为最优解卷积周期，L*为最优滤波器长度；步骤3：滤波：分别使用预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数，在最优化滤波参数条件下滤波时域信号样本集，得到与内圈故障、外圈故障、滚动体故障、保持架故障相对应的解卷积滤波输出数据；步骤4：确定故障类型：分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度分析，通过快速谱峭度图确定共振中心频率及带宽，再以共振中心频率及带宽为参数分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度滤波，提取相应输出数据的包络谱频率特征，分别计算与理论计算故障特征频率的相关性，根据相关性判定时域信号样本集对应的故障类型。

【技术特征摘要】
1.一种滚动轴承复合故障提取方法，其特征在于：包括以下步骤：步骤1：样本采集：通过振动加速度传感器获得轴承运行过程的时域信号样本集；步骤2：获得最优化解卷积滤波参数：以自适应寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化为寻优指标，寻得最佳解卷积滤波参数组合(T*,L*)，T*为最优解卷积周期，L*为最优滤波器长度；步骤3：滤波：分别使用预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数，在最优化滤波参数条件下滤波时域信号样本集，得到与内圈故障、外圈故障、滚动体故障、保持架故障相对应的解卷积滤波输出数据；步骤4：确定故障类型：分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度分析，通过快速谱峭度图确定共振中心频率及带宽，再以共振中心频率及带宽为参数分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度滤波，提取相应输出数据的包络谱频率特征，分别计算与理论计算故障特征频率的相关性，根据相关性判定时域信号样本集对应的故障类...

【专利技术属性】
技术研发人员：梁志通，王文剑，靳玉川，王立坤，张永光，董海洋，刘水洋，王海莲，张金钢，张雄，万书亭，
申请(专利权)人：河北建设集团股份有限公司，华北电力大学保定，
类型：发明
国别省市：河北,13