一种针对机匣振动信号的滚动轴承故障协同诊断方法技术

本发明专利技术公开了一种针对机匣振动信号的滚动轴承故障协同诊断方法，包括以下步骤，S1：在机匣上布置传感器采集振动信号；S2：基于最小熵解卷积增强被测信号中的冲击性成分；S3：基于小波变换提取滚动轴承共振频带；S4：通过自相关分析抑制共振频带内的非周期性成分；S5：基于Hilbert变换包络解调实现滚动轴承故障定位。本发明专利技术能有效消除滚动轴承信号传递路径的影响和复杂背景噪声的干扰，进而突出了故障特征频率对应的谱峰，实现滚动轴承表面损伤的故障定位，解决了在机匣测点振动信号上对滚动轴承进行故障监测中存在的诊断难、精度低、鲁棒性差的问题。

A cooperative diagnosis method of rolling bearing fault for the vibration signal of the casing

【技术实现步骤摘要】
一种针对机匣振动信号的滚动轴承故障协同诊断方法
本专利技术涉及属于滚动轴承故障诊断领域，具体涉及一种针对机匣振动信号的滚动轴承故障协同诊断方法。
技术介绍
振动法对滚动轴承早期故障敏感，已广泛应用于滚动轴承的故障诊断。然而，现有研究基本上是以轴承试验器上的轴承座信号作为分析对象，该信号受传递路径和噪声影响较小。以航空发动机滚动轴承为例，在不改变发动机结构的前提下，传感器测点往往只能布置于机匣上，其振动信号的传出需要经过非常复杂的传输路径，加之复杂工况下的系统激励源众多，结构振动噪声、气动噪声源以及燃烧噪声等往往耦合在一起，使得滚动轴承的故障特征变得更加微弱。南京航空航天大学陈果教授等曾利用一个结构上与真实发动机相似的带机匣的航空发动机转子试验器在不同转速下进行了滚动轴承故障模拟试验研究，分别测试了机匣测点和轴承座测点的振动加速度信号。结果表明，由于传递路径复杂，在传递过程中经过弹性支承和薄壁机匣的减振作用的原因，滚动轴承的有效振动信号传递到机匣上后衰减了近4/5，这为基于机匣测点的滚动轴承故障诊断带来了巨大挑战。以机匣信号为监测对象，想要正确地、鲁棒地实现滚动轴承的故障检测与诊断，提升故障特征信号的信噪比是关键所在。为此，首先要消除传递路径的影响。最小熵解卷积可消除信号传递路径的影响，并能有效增强轴承信号中的冲击成分。但是，最小熵解卷积也可能增强非轴承共振频带处的冲击和非周期性的冲击，这会对滚动轴承的故障诊断造成干扰。小波变换具有自适应带通滤波的特性，可用于共振频带的提取，但所提取的频带中噪声仍被保留；自相关分析可以有效抑制信号中的非周期性成分，进而突显出轴承故障的周期性冲击成分。若能有机结合最小熵解卷积、小波变换和自相关分析将能实现优势互补，这将有利于强噪声背景下的滚动轴承微弱故障特征的提取。基于此，本专利技术提出了一种滚动轴承故障的协同诊断方法。
技术实现思路
本专利技术所要解决的技术问题是针对
技术介绍
中所涉及到的缺陷，提供一种针对机匣振动信号的滚动轴承故障协同诊断方法。本专利技术为解决上述技术问题采用以下技术方案：一种针对机匣振动信号的滚动轴承故障协同诊断方法，包括以下步骤：S1：传感器布置与信号采集；S2：针对机匣振动信号的协同式降噪；S3：降噪信号的包络解调；S4：滚动轴承故障识别与定位；所述步骤S1具体包括：S1-1：在机匣垂直方向布置1个振动加速度传感器；S1-2：设置振动加速度传感器的采样频率为10KHz；S1-3：实时采集振动加速度信号，每1秒采集的振动加速度信号存储为1个样本，同时记录各样本对应机匣的轴承外滚道相对内滚道的转速频率fr；所述步骤S2具体包括：S2-1：采用最小熵解卷积消除各个振动加速度信号样本中滚动轴承振动信号传递路径的影响，增强其中的冲击性成分；S2-2：对步骤S2-1处理后的信号，基于离散二进小波变换提取其共振频带信号；S2-3：通过自相关分析抑制由步骤S2-2得到的频带信号中的非周期性成分，得到降噪信号；所述步骤S3具体包括：S3-1：对步骤S2-3得到的降噪信号基于Hilbert变换得到降噪信号的包络；S3-2：对S3-1得到的包络信号进行快速傅里叶变换得到包络谱；所述步骤S4具体包括：S4-1：每个样本均根据该样本对应的转速频率fr与滚动轴承的尺寸参数，计算该样本对应的内圈故障特征频率、外圈故障特征频率和滚珠故障特征频率；S4-2：对于每个样本，通过辨识包络谱中相应的特征频率附近是否存在谱峰来判定该样本对应的滚动轴承状态为：正常、内圈故障、外圈故障以及滚珠故障。作为本专利技术一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案，所述步骤S2-1中最小熵解卷积的具体操作为：S2-1-1：设定迭代次数上限mmax、迭代终止阈值T和阶次参数k；S2-1-2：计算被测振动加速度信号z(i)的自相关矩阵A，其内元素alp根据以下公式计算：其中，N是数据长度；l和p为整数，满足1≤l≤L且1≤p≤L；S2-1-3：根据z(i)和滤波器参数c(m)＝(g(1),g(2),...,g(L))(m)计算出信号y(m)＝(y(1),y(2),...,y(N))(m)，其中，m是当前迭代次数，L是滤波器长度，c(m)是L维列向量，y(m)是N维列向量；S2-1-4：根据S2-1-1设置的阶次参数k，计算b(m+1)＝(b(1),b(2),...,b(L))(m+1)，其中，b(m+1)是L维列向量，再根据c(m+1)＝A-1b(m+1)迭代得到c(m+1)；S2-1-5：根据z(i)和滤波器参数c(m+1)＝(g(1),g(2),...,g(L))(m+1)计算出信号y(m+1)＝(y(1),y(2),...,y(L))(m+1)；S2-1-6：将步骤S2-1-3得到的y(m)和步骤S2-1-5得到的y(m+1)代入下式计算Ok(c(m))和Ok(c(m+1))；令E＝|Ok(c(m+1))-Ok(c(m))|得到迭代误差；S2-1-7：若m＜mmax且E＜T，则跳转至步骤S2-1-3，否则，输出最终的滤波器参数c(final)＝c(m)；S2-1-8：根据滤波器参数c(final)和z(i)计算得到y(m)，并令y(final)＝y(m)作为步骤S2-1最小熵解卷积的结果。作为本专利技术一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案，所述步骤S2-2的详细步骤为：S2-2-1：以步骤S2-1-8得到的离散信号y(final)作为分析信号；S2-2-2：以db8小波作为基底对分析信号进行5层小波分解，依次得到d1、d2、d3、d4、d5共5层细节信号；S2-2-3：令得到重构信号作为本专利技术一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案，所述步骤S2-3的详细步骤为：S2-3-1：对重构信号进行离散傅里叶变换得到X(f)与其共轭X*(f)；S2-3-2：按下式计算自相关函数Rx(k)：其中，IDFT(·)是离散傅里叶逆变换；S2-3-3：以Rx(k)作为步骤S2-3自相关分析后得到的降噪信号。作为本专利技术一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案，所述步骤S4-2的详细步骤为：S4-2-1：若样本内圈故障特征频率附近有明显突出的谱峰，则判定滚动轴承存在内圈故障；S4-2-2：若样本外圈故障特征频率附近有明显突出的谱峰，则判定滚动轴承存在外圈故障；S4-2-3：若样本滚珠故障特征频率的2倍频附近有明显突出的谱峰，则判定滚动轴承存在内圈故障；S4-2-4：若样本各故障特征频率及其倍频附近未发现有明显突出的谱峰，则判定滚动轴承为正常状态。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1)在传感器布置方面，仅需在机匣外部布置一个加速度传感器，无需改变亦不影响系统内部构造；2)在诊断性能方面，相比于现有技术，故障轴承在包络谱上具有明显更为清晰的故障特征谱峰，进而能更容易地实现滚动轴承的故障定位，并降低误判率；3)在应用对象方面，能应用于机匣振动信号的滚动轴承故障监测与诊断，并能取得理想的结果，而现有技术大多只能在轴承座信号上取得较好的效果。附图说明图1是本专利技术的方法流程图；图2是航空发动机转子试验器结构剖面图；图3(a)是滚动轴承在人本文档来自技高网...

【技术保护点】
一种针对机匣振动信号的滚动轴承故障协同诊断方法，其特征在于，包括以下步骤：S1：传感器布置与信号采集；S2：针对机匣振动信号的协同式降噪；S3：降噪信号的包络解调；S4：滚动轴承故障识别与定位；所述步骤S1具体包括：S1‑1：在机匣垂直方向布置1个振动加速度传感器；S1‑2：设置振动加速度传感器的采样频率为10KHz；S1‑3：实时采集振动加速度信号，每1秒采集的振动加速度信号存储为1个样本，同时记录各样本对应机匣的轴承外滚道相对内滚道的转速频率fr；所述步骤S2具体包括：S2‑1：采用最小熵解卷积消除各个振动加速度信号样本中滚动轴承振动信号传递路径的影响，增强其中的冲击性成分；S2‑2：对步骤S2‑1处理后的信号，基于离散二进小波变换提取其共振频带信号；S2‑3：通过自相关分析抑制由步骤S2‑2得到的频带信号中的非周期性成分，得到降噪信号；所述步骤S3具体包括：S3‑1：对步骤S2‑3得到的降噪信号基于Hilbert变换得到降噪信号的包络；S3‑2：对S3‑1得到的包络信号进行快速傅里叶变换得到包络谱；所述步骤S4具体包括：S4‑1：每个样本均根据该样本对应的转速频率fr与滚动轴承的尺寸参数，计算该样本对应的内圈故障特征频率、外圈故障特征频率和滚珠故障特征频率；S4‑2：对于每个样本，通过辨识包络谱中相应的特征频率附近是否存在谱峰来判定该样本对应的滚动轴承状态为：正常、内圈故障、外圈故障以及滚珠故障。...

【技术特征摘要】
1.一种针对机匣振动信号的滚动轴承故障协同诊断方法，其特征在于，包括以下步骤：S1：传感器布置与信号采集；S2：针对机匣振动信号的协同式降噪；S3：降噪信号的包络解调；S4：滚动轴承故障识别与定位；所述步骤S1具体包括：S1-1：在机匣垂直方向布置1个振动加速度传感器；S1-2：设置振动加速度传感器的采样频率为10KHz；S1-3：实时采集振动加速度信号，每1秒采集的振动加速度信号存储为1个样本，同时记录各样本对应机匣的轴承外滚道相对内滚道的转速频率fr；所述步骤S2具体包括：S2-1：采用最小熵解卷积消除各个振动加速度信号样本中滚动轴承振动信号传递路径的影响，增强其中的冲击性成分；S2-2：对步骤S2-1处理后的信号，基于离散二进小波变换提取其共振频带信号；S2-3：通过自相关分析抑制由步骤S2-2得到的频带信号中的非周期性成分，得到降噪信号；所述步骤S3具体包括：S3-1：对步骤S2-3得到的降噪信号基于Hilbert变换得到降噪信号的包络；S3-2：对S3-1得到的包络信号进行快速傅里叶变换得到包络谱；所述步骤S4具体包括：S4-1：每个样本均根据该样本对应的转速频率fr与滚动轴承的尺寸参数，计算该样本对应的内圈故障特征频率、外圈故障特征频率和滚珠故障特征频率；S4-2：对于每个样本，通过辨识包络谱中相应的特征频率附近是否存在谱峰来判定该样本对应的滚动轴承状态为：正常、内圈故障、外圈故障以及滚珠故障。2.根据权利要求1所述的针对机匣振动信号的滚动轴承故障协同诊断方法，其特征在于，所述步骤S2-1中最小熵解卷积的具体操作为：S2-1-1：设定迭代次数上限mmax、迭代终止阈值T和阶次参数k；S2-1-2：计算被测振动加速度信号z(i)的自相关矩阵A，其内元素alp根据以下公式计算：其中，N是数据长度；l和p为整数，满足1≤l≤L且1≤p≤L；S2-1-3：根据z(i)和滤波器参数c(m)＝(g(1),g(2),...,g(L))(m)计算出信号y(m)＝(y(1),y(2),...,y(N))(m)，其中，m是当前迭代次数，L是滤波器长度，c(m)是L维列向量，y(m)是N维列向量；S2-1-4：根据S2-1-1设置的阶次参数k，计算b(m+1)＝(b(1),b(2),...,b(L))(m+1)，其中，b(m+1)是L维列向量，再根据c(m+1)...

【专利技术属性】
技术研发人员：陈果，林桐，滕春禹，王云，欧阳文理，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32