滚动轴承故障特征提取与运行状态监测方法技术

本发明专利技术公开了一种滚动轴承故障特征提取与运行状态监测方法，采用TQWT方法对第n次采样获得的待分析信号进行分解，得到细节信号；从细节信号中选择峭度值最大的一个进行包络谱分析，提取包络谱最大峰值所在频率；根据包络谱最大峰值所在频率计算MOMEDA方法的解卷积周期Tn后，从n个解卷积周期中找出互不相等的m个解卷积周期；并依次设置MOMEDA方法的解卷积周期，一一对应计算获得各包络谱的故障特征比值，若包络谱的故障特征比值超出阈值，则表明滚动轴承出现故障。本发明专利技术采用TQWT方法和MOMEDA方法相结合，实现滚动轴承故障特征的精确提取，通过计算解卷积输出信号包络谱的故障特征比实现滚动轴承运行状态的有效监测。 1

【技术实现步骤摘要】
滚动轴承故障特征提取与运行状态监测方法
本专利技术涉及机械故障诊断与监测
，更具体地说是涉及一种滚动轴承故障特征提取与运行状态监测方法及其实现装置。
技术介绍
滚动轴承是各种旋转机械中应用最广泛的一种关键零部件，故障发生概率高、容易损坏，它的运行状态直接影响整台机器的性能。因此，准确有效地提取滚动轴承故障特征并对其状态进行监测对于避免严重故障发生、减少重大经济损失具有重要意义。近年来，以小波变换(WaveletTransform，WT；包括连续小波变换CWT和二进制离散小波变换DWT)(Yan.Ruqiang,Gao.RobertX,Chen.Xuefeng.Waveletsforfaultdiagnosisofrotarymachines:Areviewwithapplications[J].SignalProcessing,2014,96:PartA:1-15)、最小熵解卷积(MinimumEntropyDeconvolution，MED)(R.AWiggins.Minimumentropydeconvolution[J].Geoexploration,1978,16(1–2):21–35)、最大相关峭度解卷积(MaximumcorrelatedKurtosisdeconvolution，MCKD)(G.L.McDonald,QingZhao,MingJZuo.MaximumcorrelatedKurtosisdeconvolutionandapplicationongeartoothchipfaultdetection[J].MechanicalSystemsandSignalProcessing,2012,33:237–255.)为代表的先进信号处理方法在滚动轴承故障特征提取与状态监测领域得到了广泛应用。但是，CWT运算量较大、费时；DWT存在频率混叠、缺乏平移不变性、品质因子恒定且较低、分辨率不高等缺陷；除此之外，在实际应用中缺乏采样信号先验知识的情况下，小波变换中选取小波基函数和确定分解层数较为困难；上述缺点使得小波变换难以取得较好的工程应用。MED在逆滤波器长度较大时只能提取单一脉冲甚至会产生虚假脉冲；MCKD虽克服了MED的上述缺点，实现提取连续周期脉冲，但其自适应性较差，在故障冲击周期非整数时需要重采样，这无疑增加了MCKD的运算量；除此之外MED和MCKD是通过迭代寻优求解逆滤波器参数，最终得到的逆滤波器参数是迭代过程中较“好”的一组参数，但不是最优的。MED和MCKD的上述缺点使其在滚动轴承故障特征提取与状态监测中的应用难以尽如人意。可调品质因子Q小波变换(tunableQ-factorwavelettransform，TQWT)克服了传统小波变换恒品质因子的劣势，其利用快速傅里叶变换(FFT)通过迭代双通道滤波器组实现信号的分解与重构，具有完全重构性和完备性。相对于CWT和DWT，其计算效率更高、品质因子持续可调；TQWT可以不依赖具体的小波基函数，通过设置品质因子Q和冗余因子r生成的小波基函数库中所有小波基函数都具有相同的品质因子，避免了选取小波基函数和确定分解层数的困难。采用TQWT可简单快速高效地对信号进行分解，便于工程应用。但是，仅仅通过TQWT对信号进行分解难以较好地提取故障特征，实现滚动轴承状态监测。多点最优卷积调整最小熵解卷积(MultipointOptimalMinimumEntropyDeconvolutionAdjusted，MOMEDA)是不同于MCKD的提取信号中连续脉冲序列的解卷积方法。MOMEDA采用非迭代求解逆滤波最佳参数，与MCKD相比其运算量较小，通过非迭代方式求解得到的滤波器参数是“最优值”；而非MCKD中通过迭代运算，在迭代过程中选择一组“好”的滤波器参数，但不是最优的。但是MOMEDA的解卷积周期通常难以设定，使其存在一定的局限性。
技术实现思路
本专利技术是为避免上述现有技术所存在的不足，提供一种滚动轴承故障特征提取与运行状态监测方法，采用TQWT实现信号高效率的分解，通过对分解分量中峭度值最大的分量进行包络谱分析，找出包络谱最大峰值点所在频率进而确定MOMEDA的解卷积周期，实现滚动轴承故障特征的精确提取；通过计算解卷积输出信号包络谱的故障特征比实现滚动轴承运行状态的有效监测。本专利技术为解决技术问题采用如下技术方案：本专利技术滚动轴承故障特征提取与运行状态监测方法的特点是按如下步骤进行：步骤1、初始化采样序号n：n＝1；步骤2、第n次采样；利用振动加速度传感器拾取运行工况下的滚动轴承振动信号作为待分析信号T表示转置，N为采样长度，x1x2…xN表示离散化的待分析信号的每个数据点的数值；步骤3、使用TQWT方法将所述待分析信号分解为J个细节信号和1个逼近信号表示待分析信号中的低频全局信息；所述TQWT方法是指可调品质因子Q小波变换的方法；步骤4、选择J个细节信号中峭度值最大的一个细节信号作为第n次采样信号的最优细节信号进行包络谱分析，提取包络谱最大峰值所在频率作为第n次采样信号的故障优势频率fn；步骤5、若n＝1，则fn为f1,计算获得与f1相对应的MOMEDA方法的解卷积周期T1，T1＝fs/f1，fs表示采样频率；若n＞1，计算获得K值，K＝fn/fn-1；当K为整数，将与fn对应的MOMEDA方法的解卷积周期Tn取值为Tn-1；当K为非整数，计算获得与fn相对应的MOMEDA方法的解卷积周期Tn，Tn＝fs/fn；所述MOMEDA方法是指：多点最优卷积调整的最小熵解卷积方法；步骤6、找出n个解卷积周期T1,T2,…,Tn中互不相等的m个解卷积周期T1，T2，…，Tm；并在n个最大峰值所在频率f1，f2，…，fn中找出与m个解卷积周期T1，T2，…，Tm一一对应的频率值f1,f2,…,fm,m≤n；步骤7、依次设置MOMEDA的解卷积周期为T1，T2，…，Tm；采用MOMEDA方法对待分析信号进行解卷积降噪，得到与所述m个解卷积周期T1，T2，…，Tm一一对应的输出信号i＝1,2,…,m；k＝N-L，L为逆滤波器长度，取：L＝1000，上标T表示转置，表示离散化的输出信号每个数据点的数值；步骤8、对所述输出信号分别进行包络谱分析，并一一对应计算获得各包络谱故障特征比值：FCRES中的下标表示与之对应的解卷积周期；步骤9、若是所述包络谱故障特征比值中任一数值超过给定阈值，即判断为轴承运行状态发生变化；若否，则将采样序号n增加1重复步骤2-步骤9。本专利技术滚动轴承故障特征提取与运行状态监测方法的特点也在于：所述步骤3中J的取值为：Q和r分别为TQWT方法中的品质因子Q和冗余度r，ceil[]表示对运算结果向下取整。本专利技术滚动轴承故障特征提取与运行状态监测方法的特点也在于：所述步骤7中采用MOMEDA方法对待分析信号进行解卷积降噪的求解过程为：解卷积方程为：为解卷积输出信号，y1y2…yN表示离散化的解卷积输出信号的每个数据点的数值，*表示卷积符号；为逆滤波器的参数向量，f1f2…fL-1fL为逆滤波器参数；将解卷积方程用矩阵表示为：在MOMEDA方法中，消除矩阵中的“0”元素，则矩阵变为矩阵X0；解卷积输出信号变为输出信号k＝N-L，y本文档来自技高网...

【技术保护点】
1.一种滚动轴承故障特征提取与运行状态监测方法，其特征是按如下步骤进行：

【技术特征摘要】
1.一种滚动轴承故障特征提取与运行状态监测方法，其特征是按如下步骤进行：步骤1、初始化采样序号n：n＝1；步骤2、第n次采样；利用振动加速度传感器拾取运行工况下的滚动轴承振动信号作为待分析信号T表示转置，N为采样长度，x1x2…xN表示离散化的待分析信号的每个数据点的数值；步骤3、使用TQWT方法将所述待分析信号分解为J个细节信号和1个逼近信号表示待分析信号中的低频全局信息；所述TQWT方法是指可调品质因子Q小波变换的方法；步骤4、选择J个细节信号中峭度值最大的一个细节信号作为第n次采样信号的最优细节信号进行包络谱分析，提取包络谱最大峰值所在频率作为第n次采样信号的故障优势频率fn；步骤5、若n＝1，则fn为f1,计算获得与f1相对应的MOMEDA方法的解卷积周期T1，T1＝fs/f1，fs表示采样频率；若n＞1，计算获得K值，K＝fn/fn-1；当K为整数，将与fn对应的MOMEDA方法的解卷积周期Tn取值为Tn-1；当K为非整数，计算获得与fn相对应的MOMEDA方法的解卷积周期Tn，Tn＝fs/fn；所述MOMEDA方法是指：多点最优卷积调整的最小熵解卷积方法；步骤6、找出n个解卷积周期T1,T2,…,Tn中互不相等的m个解卷积周期T1，T2，…，Tm；并在n个最大峰值所在频率f1，f2，…，fn中找出与m个解卷积周期T1，T2，…，Tm一一对应的频率值f1,f2,…,fm,m≤n；步骤7、依次设置MOMEDA的解卷积周期为T1，T2，…，Tm；采用MOMEDA方法对待分析信号进行解卷积降噪，得到与所述m个解卷积周期T1，T2，…，Tm一一对应的输出信号k＝N-L，L为逆滤波器长度，取：L＝1000，上标T表示转置，表示离散化的输出信号每个数据点的数值；步骤8、对所述输出信号分别进行包络谱分析，并一一对应计算获得各包络谱故障特征比值：FCRES中的下标表示与之对应的解卷积周期；步骤9、若是所述包络谱故障特征比值中任一数值超过给定阈值，即判断为轴承运行状态发生变化；若否，则将采样序号n增加1重复步骤2-步骤9。2.根据权利要求1所述的滚动轴承故障特...

【专利技术属性】
技术研发人员：陈剑，汤杰，李家柱，王开明，夏康，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34