一种轴承故障特征识别方法及识别系统技术方案

本发明专利技术属于轴承故障特征识别技术领域，公开了一种轴承故障特征识别方法及识别系统，利用群体分解SWD对振动信号进行模式分解获取振荡模态分量；对选取的振荡模态分量利用多点最优最小解卷积MOMEDA进行降噪和频域振动信号特征提取，实现弱信号特征的增强；最后，对振动信号进行故障特征的识别。本发明专利技术首先进行SWD分解，然后对分解后的信号利用MOMEDA进行特征提取，其目的在于通过SWD分解获得有用的信号分量，提高信号的信噪比，去除无关成分的干扰；同时，利用MOMEDA实现对信号的滤波和冲击特征的准确提取。通过对进行数值模拟分析和实验台振动信号分析，验证了本发明专利技术在滚动轴承故障特征识别中的有效性。

【技术实现步骤摘要】
一种轴承故障特征识别方法及识别系统
本专利技术属于轴承故障特征识别
，尤其涉及一种轴承故障特征识别方法及识别系统。
技术介绍
目前，滚动轴承是旋转机械中的重要零部件之一，广泛应用于石油化工、能源、电力、材料冶金等领域。同时滚动轴承也是最易损坏的部件之一，30％的旋转机械故障都是由于滚动轴承存在着结构损伤，滚动轴承的运行状态直接影响着整个设备的正常运行。因此，实现对滚动轴承故障的精准诊断具有重要的理论和工程意义。对滚动轴承微弱故障特征进行增强与提取，是目前的的重点研究方向之一。其中，经验模态分解(EmpiricalModeDecomposition，EMD)方法最先被提出并应用于轴承故障诊断，但是EMD分解高频分量带宽较大、频率分辨率低，在分解频率成分较为接近的复合故障信号时容易造成模态混叠。因此，有学者提出了集成经验模式分解(EnsembleEmpiricalModeDecomposition，EEMD)、局部均值分解(LocalMeanDecomposition，LMD)等基于EMD的改进算法。从实际分析效果来看，多分量调制和强干扰是轴承复合故障的主要特征，并且信号中的故障特征相当弱并且难以提取，传统分解方法往往受到模式混叠、预定义模式数等问题的限制，难以在复合故障中准确地对微弱故障信号进行提取。Apostolidis等提出了群体分解(SwarmDecomposition，SWD)算法，通过对群滤波器参数进行设置，可以控制振荡分量主模态频率，使得SWD在进行模态分解的时候，能够将频率相近的两个谐波信号分离，相比于其他的EMD改进方法具有更高的频率区分能力。最小熵解卷积方法(MinimumEntropyDeconvolution，MED)是一种时域盲卷积技术，最早被提出并应用于滚动轴承的故障诊断。但是MED求解出的滤波器并不一定是全局最优滤波器，且往往只能够提取到少数几个脉冲成分。针对于MED的这些局限，在相关峭度的基础上，有学者提出了最大相关峭度解卷积方法(MaximumCorrelatedKurtosisDeconvolution，MCKD)，该方法相比于MED能够提取更多的脉冲成分，但是也仅仅能在局部提取有限个脉冲，而且需要先验知识对故障周期、滤波器参数进行设置。因此，McDonald等提出了多点最优最小熵解卷积(MultipointOptimalMinimumEntropyDeconvolutionAdjusted，MOMEDA)方法，利用一个目标向量对解卷积所得脉冲序列的权重和位置进行定义，不需要通过迭代算法即可得到最优滤波器。然而该方法在每次降噪过程中只能够提取唯一的周期性冲击，并且在噪声较强的情况下容易出现误诊断现象。通过上述分析，现有技术存在的问题及缺陷为：(1)现有EMD分解高频分量带宽较大、频率分辨率低，在分解频率成分较为接近的复杂多组分故障信号时容易造成模态混叠。(2)传统的模式分解方法往往受到模式混叠、预定义模式数等问题的限制，难以在多组分故障信号中准确地对微弱故障信号进行提取。(3)最小熵解卷积方法MED求解出的滤波器并不一定是全局最优滤波器，且往往只能够提取到少数几个脉冲成分。(4)最大相关峭度解卷积方法MCKD相比于MED能够提取更多的脉冲成分，但是也仅仅能在局部提取有限个脉冲，而且需要先验知识对故障周期、滤波器参数进行设置。(5)最优最小熵解卷积方法MOMEDA在每次降噪过程中只能够提取唯一的周期性冲击，并且在噪声较强的情况下容易出现误诊断现象。解决以上问题及缺陷的难度为：1)实测的轴承故障信号往往为典型的多组分信号，其中既包含了有用的信号成分，如故障特征成分及其倍频，同时也包含了无关的成分，如强噪声干扰，因此对其进行处理的关键在于实现对多组分信号的分解，找到与故障特征相关的振荡模态分量；2)故障诊断的关键在于有效地识别故障特征，因此在获得期望的振荡模态分量后，需要找到合适的方法进行信号的增强和特征的放大，进一步提高对故障特征的解析能力。解决以上问题及缺陷的意义为：一方面，可以实现理论上的创新，提出一种新的联合群体分解SWD和最优最小熵解卷积MOMEDA的方法，可以为轴承故障信号的分解和特征增强提供更有力的技术手段；另一方面，可以应用于旋转机械广泛存在的冶金、化工等领域，提高旋转机械中轴承的使用寿命，实现预知维修，避免发生重大安全事故。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于SWD和MOMEDA的轴承故障特征识别方法。本专利技术是这样实现的，一种基于SWD和MOMEDA的轴承故障特征识别方法，所述基于SWD和MOMEDA的轴承故障特征识别方法包括以下步骤：步骤一，利用SWD对振动信号进行模式分解获取振荡模态分量。步骤二，对选取的振荡模态分量利用MOMEDA进行降噪和频域振动信号特征提取，实现弱信号特征的增强。步骤三，进行故障特征的识别，并对数值仿真信号进行分析。进一步，步骤一中，所述通过迭代群滤波器将多分量信号分解为多个振荡分量之和，SWD过程为：(1)由信号功率谱峰值确定初始中心频率其中，Sy(w)表示信号韦尔奇功率谱，q表示在SWD过程中频率w第q次作为中心频率，Ph为阈值。由得到SwF参数M和δ：其中，odd(·)表示舍入运算。(2)对信号y(t)进行SwF滤波，得到输出信号u(t)，计算输入输出信号方差：若方差D大于方差阈值Dh，以u(t)为输入信号重复SwF滤波，直到D＜Dh时，记输出信号为yi(t)。(3)更新输入信号：其中，为互相关函数，τ表示时延。(4)利用更新的输入信号，重复上述步骤(1)-(3)，直到Sy(w)≤Ph，此时的输入信号为余量r(t)。(5)按照下式计算多个振荡模态分量：其中，Ωd＝{w:w＝wd}，k为振荡模态分量的个数。进一步，步骤二中，所述MOMEDA方法的目的是寻找一个最佳FIR滤波器f(l)系数，使得经过MOMEDA增强后输出信号的目标函数达到最大。对于输入的振动信号向量其目标函数描述为：其中，为滤波器向量，T为故障周期。为确定脉冲权重及位置的目标向量。求的导数：其中，N为采样点总数，L为滤波器长度。将上式转化为矩阵形式，并进一步简化得：其中，X0为脉冲信号的矩阵形式。由于假定存在，代入公式(7)，可得：由式(9)可求出即为所寻求的最佳滤波器系数。进一步，步骤三中，所述数值仿真信号分析的方法，包括：滚动轴承主要用于支撑机械设备中的旋转部件，其振动信号总是包含很多信息，包括故障特征和噪声分量。故障诊断的关键步骤是提取频域振动信号特征。关于轴承故障的模拟信号模型有很多种，最典型的是Randall提出的模型。为了不失一般性，外圈故障数值模拟信号表示如下：x(t)＝x1(t)+x2(t本文档来自技高网...

【技术保护点】
1.一种轴承故障特征识别方法，其特征在于，所述轴承故障特征识别方法包括以下步骤：/n利用SWD对振动信号进行模式分解获取振荡模态分量；/n对选取的振荡模态分量利用MOMEDA进行降噪和频域振动信号特征提取，实现弱信号特征的增强；/n对数值仿真信号和实测故障信号进行分析，实现故障特征的识别。/n

【技术特征摘要】
1.一种轴承故障特征识别方法，其特征在于，所述轴承故障特征识别方法包括以下步骤：
利用SWD对振动信号进行模式分解获取振荡模态分量；
对选取的振荡模态分量利用MOMEDA进行降噪和频域振动信号特征提取，实现弱信号特征的增强；
对数值仿真信号和实测故障信号进行分析，实现故障特征的识别。


2.如权利要求1所述的轴承故障特征识别方法，其特征在于，所述通过迭代群滤波器将多分量信号分解为多个振荡分量之和，SWD过程为：
(1)由信号功率谱峰值确定初始中心频率



其中，Sy(w)表示信号韦尔奇功率谱，q表示在SWD过程中频率w第q次作为中心频率，Ph为阈值；由得到SwF参数M和δ：



其中，odd(·)表示舍入运算；
(2)对信号y(t)进行SwF滤波，得到输出信号u(t)，计算输入输出信号方差：



若方差D大于方差阈值Dh，以u(t)为输入信号重复SwF滤波，直到D＜Dh时，记输出信号为yi(t)；
(3)更新输入信号：



其中，为互相关函数，τ表示时延；
(4)利用更新的输入信号，重复上述步骤(1)-(3)，直到Sy(w)≤Ph，此时的输入信号为余量r(t)；
(5)按照下式计算多个振荡模态分量：



其中，Ωd＝{w:w＝wd}，k为振荡模态分量的个数。


3.如权利要求1所述的轴承故障特征识别方法，其特征在于，所述MOMEDA方法的目的是寻找一个最佳FIR滤波器f(l)系数，使得经过MOMEDA增强后输出信号的目标函数达到最大；对于输入的振动信号向量其目标函数描述为：



其中，为滤波器向量，T为故障周期；为确定脉冲权重及位置的目标向量；
求的导数：



其中，N为采样点总数，L为滤波器长度；将式(7)转化为矩阵形式，并进一步简化得：



其中，X0为脉冲信号的矩阵形式；由于假定存在，代入公式(7)，得：



由式(9)求出即为所寻求的最佳滤波器系数。


4.如权利要求1所述的轴承故障特征识别方法，其特征在于，所述数值仿真信号分析的方法，包括：
滚动轴承主要用于支撑机械设备中的旋转部...

【专利技术属性】
技术研发人员：朱亚军，胡建钦，李武，林青云，易灿灿，
申请(专利权)人：丽水市特种设备检测院，
类型：发明
国别省市：浙江;33