一种基于改进经验小波变换的滚动轴承故障诊断方法技术

本发明专利技术属于机械设备故障诊断领域，具体涉及一种基于改进经验小波变换的滚动轴承故障诊断方法。本发明专利技术使用傅里叶变换及反变换计算信号频谱的趋势谱；使用小波折中阈值函数去噪方法，对趋势谱进行优化；根据优化后的趋势谱建立滤波带，使用经验小波变换方法分解振动信号，求得经验模态分量。所述频域特征提取包括：使用峭度‑相关系数准则选取、重构特征分量；计算特征分量的频谱包络；使用最小熵解卷积方法处理包络谱，突出频域特征；匹配频谱分析结果与理论特征频率。本发明专利技术能够获得更为理想的信号分解结果，突出滚动轴承的故障特征频率，有效提高了滚动轴承故障诊断的可靠性。

【技术实现步骤摘要】
一种基于改进经验小波变换的滚动轴承故障诊断方法
本专利技术属于机械设备故障诊断领域，具体涉及一种基于改进经验小波变换的滚动轴承故障诊断方法。
技术介绍
滚动轴承被广泛应用于不同的旋转机械中，是机械设备中的关键零部件，也是易损部件。在滚动轴承故障的初期，其振动信号中存在周期性的冲击成分，但由于故障特征微弱，噪声干扰较多，故障特征不易提取。因此，滚动轴承故障特征的准确、有效提取是相关研究的重点和难点。经验小波变换(Empiricalwavelettransform，EWT)是一种小波理论背景下的信号分析方法，其将小波分析的完备理论和经验模态分解(EmpiricalModeDecomposition，EMD)的适应性相结合，解决了EMD背景下的模态混叠、虚假分量等问题，具有较高的运算效率。机械设备的故障诊断是EWT的一个主要应用方面，EWT的相对优势在应用中得到了体现。在EWT的应用与研究中发现，EWT分解结果理想与否的关键之一是合理划分频谱，而待分析信号中存在的干扰成分经常导致EWT的频谱划分不合理。基本的EWT方法以相邻极大值之间的中点确定边界位置，并通过阈值法计算边界数目。这种方法能够根据信号的频域特性确定边界，但容易受到噪声等干扰项的影响。对于受噪声干扰的信号，其频谱中会出现额外的极大值，从而导致频谱划分的不合理，进而造成无效分量和模态混叠。
技术实现思路
本专利技术要解决的技术问题是针对基本EWT方法存在的不足，以及快速经验小波变换(FEWT)中使用软阈值函数造成的频谱划分不合理的问题，提出了一种基于折中阈值函数的改进的快速经验小波变换方法。该方法能够获得更理想的信号分解结果，且能够突出滚动轴承的故障特征频率，提高了滚动轴承故障诊断的可靠性。本专利技术的技术方案是：首先，使用傅里叶变换及反变换计算信号频谱的趋势谱，并使用小波折中阈值函数去噪方法对趋势谱进行优化；然后，根据优化后的趋势谱建立滤波带，融合峭度准则和相关系数分量选取原则，完成EWT经验模态分量的重构和特征分量的筛选，并对重构信号进行最小熵解卷积，进而计算频谱特征频率；最后，通过理论特征频率的匹配，完成滚动轴承的故障诊断。以下对本专利技术作进一步的说明，包括如下步骤。Step1：对时域信号使用FFT，得到频谱Y(f)；对Y(f)再次使用FFT，得到键函数(KeyFunction)，记为K(f)。Step2：在K(f)上取一点B，对K(f)的前B个点使用反FFT，得到Y(f)的初步趋势谱T0(f)。趋势谱的复杂程度与B的取值有直接关系，B值越大，趋势谱的复杂程度越高。B值的选取需要考虑到待分析信号的特性，根据已发表论文(XuY,ZhangK,MaC,etal.AnImprovedEmpiricalWaveletTransformandItsApplicationsinRollingBearingFaultDiagnosis[J].AppliedSciences,2018,8(12):2352,1-25.)可知，对于滚动轴承的振动信号，B的一个合理取值范围为[10,60]。Step3：对T0(f)进行基于折中阈值函数的小波阈值去噪，得到趋势谱TC(f)，以去噪后TC(f)的极小值点为边界划分频谱。折中阈值函数的形式在相关文献(徐晨,赵瑞珍,甘小冰.小波分析·应用算法[M].科学出版社,2004,108)中进行了说明。Step4：根据频谱划分结果，完成原始振动信号的EWT分解，获得经验模态分量。Step5：融合峭度准则和相关系数分量选取原则，取峭度大于3且相关系数大于0.4的分量作为有效分量，进行重构，获得重构待处理信号x_new(t)。Step6：为进一步突出冲击成分，引入MED对重构信号进行处理，获得高峭度值的信号分量x_newmed(t)。Step7：计算x_newmed(t)的傅里叶频谱，根据频谱主导特征频率与理论计算特征频率的对比分析，判断轴承的故障类型。本专利技术的有益效果是：本专利技术能够获得更为理想的信号分解结果，突出滚动轴承的故障特征频率，有效提高了滚动轴承故障诊断的可靠性。附图说明图1是本专利技术内圈故障振动信号的趋势谱示意图；图2是本专利技术外圈故障振动信号的趋势谱示意图；图3是本专利技术内圈故障振动信号的频谱划分结果；图4是本专利技术外圈故障振动信号的频谱划分结果；图5是本专利技术改进FEWT分解所得内圈故障振动信号经验模态分量；图6是本专利技术改进FEWT分解所得外圈故障振动信号经验模态分量；图7是本专利技术内圈特征分量的包络频谱；图8是本专利技术外圈特征分量的包络频谱；图9是本专利技术的步骤流程图。具体实施方式下面结合附图和具体实施方式，对本专利技术作进一步说明。Step1：时域信号的选用与处理。分析滚动轴承的故障振动信号，选用美国凯斯西储大学(CWRU)轴承数据中心的故障数据。选取的内圈数据文件编号为105，其故障位置在外圈6点钟位置，故障部分直径为0.1778mm，深度为0.2794mm。数据采集时的转速为1797rpm，采样频率为12KHz。另取故障部分直径、深度相同，转速与采样频率相等的编号为130的外圈数据文件用于分析，信号分析时均取数据的前4096个点。分析外圈信号时，加入信噪比为3dB的高斯白噪声。Step2：信号频谱的初步趋势谱的计算。对时域信号进行FFT，得到其频谱；对频谱进行FFT，得到键函数；取键函数的前B个点，使用反FFT处理，得到频谱的初步趋势谱。根据傅里叶变换相关知识，键函数是原时域信号关于纵轴的对称变换。初步趋势谱的求取过程是一个低通滤波过程，对于内圈信号，B＝30；对于外圈信号，B＝45。Step3：趋势谱的小波阈值去噪优化。对初步的趋势谱进行小波阈值去噪的目的是平滑趋势谱曲线，减少划分边界的数量。小波阈值去噪过程中使用一种软、硬折中阈值函数。对于内、外圈信号，小波阈值去噪时均使用db4小波为基函数，求得阈值分别为0.0013和0.0189；折中阈值函数参数均取α＝0.5。图1、图2分别为内、外圈的趋势谱示意图，由于趋势谱幅值较小，图上的趋势谱是按一定倍数放大并沿纵轴平移后的结果。可以看出，趋势谱能够较好地反映信号频谱的变化趋势。Step4：频谱划分与时域信号分解。频谱划分过程由趋势谱确定，划分边界为Step3中求得趋势谱的极小值点。图3、图4分别为内、外圈故障振动信号的频谱划分结果；根据频谱划分结果，对信号使用经验小波变换进行分解，分解得到的经验模态分量如图5、图6，使用经验小波变换的处理过程是参考已发表论文(GillesJ.EmpiricalWaveletTransform[J].IEEETransactionsonSignalProcessing,2013,61(16):3999--4010.)所述过程进行的。Step5：特征分量的选取与重构。对于特征分量的选取，其依据是经验模态分量的峭度值以及分量与原信号的Pearson相关本文档来自技高网...

【技术保护点】
1.一种基于改进经验小波变换的滚动轴承故障诊断方法，其特征在于：包括振动信号分解和频域特征提取两部分；/n所述振动信号分解步骤如下：/nStep1-1：计算时域振动信号频谱，通过傅里叶变换及傅里叶反变换计算振动信号频谱的趋势谱；/nStep1-2：对于1-1中求得的趋势谱，使用小波折中阈值去噪方法对趋势谱进行优化；/nStep1-3：对于1-2中所得优化后的趋势谱，取其极小值建立滤波边界，使用经验小波变换分解时域信号并重构，得到经验模态分量；/n所述频域特征提取步骤如下：/nStep2-1：根据选取准则，选取并重构特征分量；/nStep2-2：对2-1中所求得特征分量求包络谱，并使用最小熵解卷积处理；/nStep2-3：对2-2中处理后的包络谱进行频谱分析，比较分析结果与故障特征频率理论值。/n

【技术特征摘要】
1.一种基于改进经验小波变换的滚动轴承故障诊断方法，其特征在于：包括振动信号分解和频域特征提取两部分；
所述振动信号分解步骤如下：
Step1-1：计算时域振动信号频谱，通过傅里叶变换及傅里叶反变换计算振动信号频谱的趋势谱；
Step1-2：对于1-1中求得的趋势谱，使用小波折中阈值去噪方法对趋势谱进行优化；
Step1-3：对于1-2中所得优化后的趋势谱，取其极小值建立滤波边界，使用经验小波变换分解时域信号并重构，得到经验模态分量；
所述频域特征提取步骤如下：
Step2-1：根据选取准则，选取并重构特征分量；
Step2-2：对2-1中所求得特征分量求包络谱，并使用...

【专利技术属性】
技术研发人员：尹鹏，姜迪，吴建德，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53