滚动轴承微弱故障信号特征的提取方法及设备技术

本发明专利技术公开了一种滚动轴承早期微弱故障状态下信号特征的提取方法及设备。该方法包括：首先获取滚动轴承振动信号，对采集的振动信号进行连续小波变换得到时频图；然后，对时频图上每个频率对应小波系数进行自相关运算，滤除噪声干扰并提取出周期性的故障成分；最后，利用Hilbert变换进行包络解调，再进行傅里叶变换求得包络的功率谱，得到故障特征频率。本发明专利技术的信号特征提取方法能够对滚动轴承早期故障中微弱的周期性冲击成分进行有效提取，从而为机器的状态监测和故障诊断工作提供关键支撑。 1

【技术实现步骤摘要】
滚动轴承微弱故障信号特征的提取方法及设备
本专利技术属于机械设备信号处理领域，具体涉及一种滚动轴承微弱故障信号的特征提取方法及设备。
技术介绍
滚动轴承是旋转机械中应用最广泛最关键的零件之一，它的运行状态往往决定了整机的性能，任何轻微故障都会对机器运行稳定性产生很大影响。而滚动轴承在运转过程中又容易损坏，若能在故障早期阶段提取出轴承微弱的故障信号，对信号进行分析处理并及时给出准确的诊断结果，可以使得维修人员能够针对故障制定有效且合理的维修计划，从而延长机器寿命，极大地降低故障所带来的危害。滚动轴承出现局部损伤时，每当滚动体和滚道在损伤部位接触，便会产生一个冲击并激起系统结构自身的高频振动，这个周期性的冲击就是故障诊断的重要特征。现有的分析方法主要利用离散小波或小波包、经验模态分解和希尔伯特-黄变换等方法，分解为从高频到低频的不同分量，利用相关系数、峭度或熵等多种特征对分量进行筛选，在选取分量上提取故障特征从而确定故障类别。然而在轴承的早期故障期间，特别是微弱的故障诊断中，轴承的局部缺陷和损伤很小，所引起的冲击振动非常微弱，在不同频带分量上提取到的故障特征容易被转频和机器运行的各种噪声掩盖，而且离散小波或小波包变换以及经验模态分解等频带划分方法离散间隔太大过于粗糙，也会影响故障特征的提取，在早期的微弱故障诊断中难以取得理想的效果。
技术实现思路
专利技术目的：为了克服现有技术的不足，本专利技术提出一种基于改进的连续小波时频图的滚动轴承微弱故障信号特征提取方法，能够对早期轴承故障中微弱的周期性冲击成分进行有效提取，从而有助于快速准确的故障识别分类。本专利技术的另一目的在于提供一种相应的滚动轴承微弱故障信号特征提取设备。技术方案：为了实现以上目的，本专利技术所述的滚动轴承微弱故障信号特征提取方法包括以下步骤：(1)获取滚动轴承的振动信号；(2)对振动信号进行连续小波分解，得到连续小波时频图；(3)对小波系数进行自相关运算，滤除噪声干扰；(4)提取小波系数经过自相关运算得到的自相关函数的包络特征并进行包络谱分析，得到故障特征频率。优选的，上述各步骤具体为：(1)通过传感器和/或麦克风采集/获取滚动轴承的振动信号；(2)利用Morlet连续小波变换对获取的滚动轴承振动信号进行分解，得到连续小波时频图；(3)对时频图上每个频率对应的小波系数进行自相关运算，滤除噪声干扰并提取出周期性的故障冲击成分；(4)在每个频率上对步骤(3)得到的自相关函数进行Hilbert变换，求得自相关函数的包络，对包络再进行傅里叶变换求得包络的功率谱，得到改进的小波时频图。其中，上述步骤(2)中连续小波时频图的计算公式为：其中，CWTx(a,b)表示连续小波变换时频图；x(t)为采集的振动信号；a为尺度因子，表示与频率相关的伸缩；b为平移因子；ψ(t)表示基小波，是基小波经过位移和伸缩产生的族函数，称为小波基函数，t表示时间。基小波选用Morlet小波，其形式为：其中，σ为形状系数；f0为中心频率；i表示虚部。步骤(3)中自相关运算的计算公式为：其中，Rcc(τ)为小波系数c(t)的自相关函数，τ为延迟时间，T为信号观测时长。在小波时频图中，小波系数c(t)由周期性的故障冲击信号s(t)和非周期的噪声信号n(t)组成，将c(t)＝s(t)+n(t)带入公式(3)，计算可得：将公式(4)展开可得：Rcc(τ)＝Rss(τ)+Rsn(τ)+Rnn(τ)(5)其中，Rss(τ)、Rsn(τ)和Rnn(τ)分别为周期故障冲击信号的自相关函数、周期信号与噪声信号的互相关函数、噪声的自相关函数。步骤(4)中Hilbert变换的公式为：其中，H[·]为Hilbert变换运算符，经过Hilbert变换，所有频率成分被相移90o，得到了新的时间信号，由此构造的新的解析信号R(τ)为：其中j表示虚部，解析信号R(τ)的幅值就是Rcc(τ)信号的包络，计算公式如下：对包络再进行快速傅里叶变换求得包络的功率谱，得到故障的特征频率。一种滚动轴承微弱故障信号特征提取设备，包括信号采集装置和信号处理装置，其中，信号采集装置采用振动加速度传感器、麦克风、超声传感器中的一种或多种，用于获取滚动轴承的振动信号；信号处理装置包括存储器和处理器，用于对信号进行分析和处理，存储器存储有计算机程序，所述程序被处理器执行时能够实现以下步骤：1)对振动信号进行连续小波分解，得到连续小波时频图；2)对小波系数进行自相关运算，滤除噪声干扰；3)提取小波系数经过自相关运算得到的自相关函数的包络特征并进行包络谱分析，得到故障特征频率。进一步地，连续小波分解采用Morlet小波，其形式为：其中，σ为形状系数；f0为中心频率；i表示虚部。自相关运算的计算公式为：其中，Rcc(τ)为小波系数c(t)的自相关函数，τ为延迟时间，T为信号观测时长；自相关函数包络特征的提取采用Hilbert变换，其计算公式为：其中，H[·]为Hilbert变换运算符。有益效果：本专利技术提供的振动信号提取方法，能很好地凸显早期故障状态下振动信号中微弱的周期性故障冲击，尤其适用于滚动轴承早期微弱故障下含噪振动信号中调制特征的分析和特征提取，进而帮助机组开展故障诊断工作。具体而言，本专利技术的突出优势表现在：1、本专利技术采用连续小波变换来分解信号，与离散小波和小波包变换相比，连续小波变换具有很好的时频分辨率和瞬态检测能力，在时域和频域同时具有良好的局部化性质，能够对信号的细节进行精确刻画，非常适合于对早期轴承故障中微弱的周期性冲击成分进行提取。利用连续小波变换分解信号得到的小波时频图能够准确地反映出滚动轴承早期故障中微弱的周期性冲击成分发生的时刻。2、在连续小波时频图的基础上，本专利技术进一步通过自相关运算滤除了大量的非周期噪声信号，将对故障类别判断起决定性作用的微弱周期性故障冲击成分提取了出来，大大降低了环境噪声的干扰和影响，从而大幅提高故障检测的精度和速度。附图说明图1为本专利技术的故障信号特征提取方法的流程图；图2为本专利技术的故障信号特征提取设备结构框图；图3为根据本专利技术实施例的四种轴承的时域振动信号波形图；图4为根据本专利技术实施例的外圈故障的Morlet连续小波时频图；图5为根据本专利技术实施例的外圈故障小波时频图中4kHz和500Hz频率沿着时间轴对应的小波系数示意图；图6为基于图5的小波系数经自相关运算后的得到的结果图；图7为最终得到的滚动轴承在不同状态下的改进小波时频图；图8为三种不同算法的故障诊断正确率对比图。具体实施方式下面结合附图对本专利技术的技术方案作进一步说明。参照图1和图2，本专利技术提供了一种基于改进的小波时频图的滚动轴承微弱故障信号特征提取方法，该方法包括以下步骤：步骤10、获取滚动轴承的振动信号；步骤20、对振动信号进行连续小波分解，得到连续小波时频图；步骤30、对小波系数进行自相关运算，滤除噪声干扰；步骤40、提取小波系数经过自相关运算得到的自相关函数的包络特征并进行包络谱分析，得到故障特征频率。不同的步骤由提取设备中相应的装置来执行，其中，步骤10由信号采集装置完成，步骤20-40由信号处理装置完成。本实施例中信号处理装置包括存储器和处理器，存储器存储有计算机程序，所述程序被处理器执行时能够实现步骤20-40所述的方法。以下详细描述本文档来自技高网...

【技术保护点】
1.一种滚动轴承微弱故障信号特征的提取方法，其特征在于：包括以下步骤：

【技术特征摘要】
1.一种滚动轴承微弱故障信号特征的提取方法，其特征在于：包括以下步骤：(1)获取滚动轴承的振动信号；(2)对振动信号进行连续小波分解，得到连续小波时频图；(3)对小波系数进行自相关运算，滤除噪声干扰；(4)提取小波系数经过自相关运算得到的自相关函数的包络特征并进行包络谱分析，得到故障特征频率。2.根据权利要求1所述的滚动轴承微弱故障信号特征的提取方法，其特征在于：所述步骤(2)中连续小波时频图的计算公式为：其中，CWTx(a,b)表示连续小波变换时频图；x(t)为采集的振动信号；a为尺度因子，表示与频率相关的伸缩；b为平移因子；ψ(t)表示基小波，是基小波经过位移和伸缩产生的族函数，称为小波基函数，t表示时间。3.根据权利要求2所述的滚动轴承微弱故障信号特征的提取方法，其特征在于：所述基小波选用Morlet小波，其形式为：其中，σ为形状系数；f0为中心频率；i表示虚部。4.根据权利要求1所述的滚动轴承微弱故障信号特征的提取方法，其特征在于：所述步骤(3)中自相关运算的计算公式为：其中，Rcc(τ)为小波系数c(t)的自相关函数，τ为延迟时间，T为信号观测时长。5.根据权利要求4所述的滚动轴承微弱故障信号特征的提取方法，其特征在于：所述小波系数c(t)由周期性的故障冲击信号s(t)和非周期的噪声信号n(t)组成，将c(t)＝s(t)+n(t)带入公式(3)，计算可得：将公式(4)展开可得：Rcc(τ)＝Rss(τ)+Rsn(τ)+Rnn(τ)(5)其中，Rss(τ)、Rsn(τ)和Rnn(τ)分别为周期故障冲击信号的自相关函数、周期信号与噪声信号的互相关函数、噪声的自相关函数。6.根据权利要求1所述的滚动轴承微弱故障信号特征的提取方法，其特征在于：所...

【专利技术属性】
技术研发人员：章雒霏，张铭，
申请(专利权)人：成都昊铭科技有限公司，
类型：发明
国别省市：四川,51