本发明专利技术提出了一种用于对轴承故障信号进行NSST时频分析的方法，包括以下步骤：对非平稳信号进行非线性稀疏分解，得到分解后的各个信号稀疏分量；对分解后的各个信号稀疏分量依次进行同步压缩变换SST，得到压缩后的稀疏分量；将压缩后的稀疏分量按时频重排，并将重排后的结果进行累加整合，得到最终处理完成的非平稳信号时频分布。本发明专利技术的有益效果是：能够较好的提高轴承故障信号时频分布的聚集度，更为精准地获取由故障所产生的频率曲线，在轴承故障的诊断中得到良好的应用。故障的诊断中得到良好的应用。故障的诊断中得到良好的应用。
【技术实现步骤摘要】
一种用于对轴承故障信号进行NSST时频分析的方法
[0001]本专利技术涉及非平稳信号处理领域，尤其涉及一种用于对轴承故障信号进行NSST时频分析的方法。
技术介绍
[0002]滚动轴承是机械设备中的重要零部件，运行状态往往直接影响整台机器的性能，但存在故障率高、易损坏等问题，若能及时地有效提取出故障特征信息，实现轴承运行状态的准确判断，并对轴承进行及时的更换或修复，可以有效避免连锁故障的发生，对于减少经济损失意义重大。目前对于滚动轴承故障信号的诊断，主流的方案是根据谱峭度进行故障的诊断。而在日益复杂的工业背景下，传统的方案，对轴承故障数据难以做到准确提取，且即使能够提取，也会存在时频分布聚集度不高的问题。
技术实现思路
[0003]针对以上技术问题，本专利技术提出一种用于对轴承故障信号进行NSST时频分析的方法，该方法是基于非线性稀疏算法(NMP:Nonlinear Matching Pursuit)的同步压缩变换(SST:Synchrosqueezing Transform)的改进方法。稀疏实现过程中设定不同的稀疏分量，得到稀疏分解信号；将SST应用于稀疏分解时频谱的优化，以提高时频分布的聚集度，且很大程度上减少噪声干扰对信号时频表示的影响。
[0004]本专利技术提出的一种用于对轴承故障信号进行NSST时频分析的方法，具体包括以下步骤：
[0005]S101：对非平稳信号进行非线性稀疏分解，得到分解后的各个信号稀疏分量；
[0006]S102：对分解后的各个信号稀疏分量依次进行同步压缩变换SST，得到压缩后的稀疏分量；
[0007]S103：将压缩后的稀疏分量按时频重排，并将重排后的结果进行累加整合，得到最终处理完成的非平稳信号时频分布。
[0008]进一步地，步骤S101具体为：
[0009]S201：首先，信号f(t)的初始化残差为r0＝f(t)；
[0010]S202：其次，构建字典集D＝{a(t)cosθ(t):θ'(t)≥0,a(t)≥0；a(t),θ'(t)∈V(θ)}；其中，θ(t)为待求分解系数；θ
′
(t)为θ(t)的转置；a(t)为待稀疏分解信号；V(θ)为超完备傅里叶基张成的线性空间；同时，将V(θ)进一步构造为一组超完备傅里叶基张成的线性空间V(θ,λ)；V(θ,λ)是所有比cosθ(t)平滑的函数的集合；λ是控制V(θ)平滑性的参数；可以得到非平稳信号f(t)在字典集D上的非线性稀疏分解和V(θ,λ)空间的表示；
[0011]S203：利用初始化残差，求解正则化非线性最小二乘问题，得到更新的残差；
[0012]S204：若更新的残差小于且等于预设的阈值，则非线性稀疏分解结束，得到分解后的各个信号稀疏分量；否则，返回步骤S203。
[0013]进一步地，步骤S202中，其中
[0014]进一步地，步骤S203中，求解正则化非线性最小二乘问题的公式如下：
[0015]P:
[0016]s.t.θ'
k
≥0,a
k
(t)∈V(θ,λ)
[0017]式中，是a
k
在V(θ,λ)空间的表示；k表示迭代次数。
[0018]进一步地，步骤S203中，更新的残差如式：
[0019]进一步地，步骤S102具体为：
[0020]S301：分解后的各个信号稀疏分量作为SST的输入s(t)，根据式：得到小波系数W
s
(a,b)；其中a为小数位数，b为时移，Ψ(
·
)表示母小波；
[0021]S302：根据所述小波系数计算s(t)的瞬时频率估计值：
[0022]S303：将瞬时频率估计值作为同步压缩算法SST的重排规则，并依据该规则对所述小波系数进行压缩，得到压缩后的小波系数谱T
s
(ω,b)，即压缩后的稀疏分量。
[0023]步骤S303中对所述小波系数进行压缩，压缩的具体公式如下：l表示连续频段[ω
l
‑
Δω/2,ω
l
+Δω/2]和Δω＝ω
l
‑
ω
l
‑1的中心。
[0024]本专利技术提供的有益效果是：能够较好的提高轴承故障信号时频分布的聚集度，更为精准地获取由故障所产生的频率曲线，在轴承故障的诊断中得到良好的应用。
附图说明
[0025]图1是一种用于对轴承故障信号进行NSST时频分析的方法的流程图；
[0026]图2是在
‑
1dB噪声下，仿真信号x(t)的时频分布(a)HHT；(b)STFT；(c)WVD；(d)ST；(e)STST；(f)NSST；
[0027]图3是在不同噪声背景下x(t)的SST与NSST的时频分布(a)15dB(b)0dB(c)
‑
12dB；
[0028]图4是不同SNR下的CM值比较；
[0029]图5是SST、NSST处理不同风扇端轴承故障数据的时频分布(a)278.mat；(b)282.mat；
[0030]图6是时频局部放大图(a)SST；(b)NSST；
[0031]图7是SST、NSST处理不同驱动端故障信号的时频分布(a)105.mat；(b)156.mat；
[0032]图8是时频的局部放大图(a)SST；(b)NSST。
具体实施方式
[0033]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。
[0034]在具体阐述本专利技术前，先对相关专业术语统一翻译如下：
[0035](1)同步压缩变换(SST：Synchrosqueezing Transform)，SST是基于STFT(或者WT)的一种后处理工具，从频率方向对STFT的结果进行压缩，从而提升时频谱的能量聚集性；
[0036](2)非线性稀疏(NMP:Nonlinear Matching Pursuit)；
[0037]请参考图1，本专利技术提供一种用于对轴承故障信号进行NSST时频分析的方法，具体包括以下步骤：
[0038]S101：对非平稳信号进行非线性稀疏分解，得到分解后的各个信号稀疏分量；
[0039]步骤S101具体为：
[0040]S201：首先，信号f(t)的初始化残差为r0＝f(t)；
[0041]S202：其次，构建字典集D＝{a(t)cosθ(t):θ'(t)≥0,a(t)≥0；a(t),θ'(t)∈V(θ)}；其中，θ(t)为待求分解系数；θ
′
(t)为θ(t)的转置；a(t)为待稀疏分解信号；V(θ)为超完备傅里叶基张成的线性空间，其中同时，将V(θ)进一步构造为一组超完备傅里叶基张成的线性空间V(θ,λ)；V(θ,λ)是所有比cosθ(t)平滑的函数的集合；λ是控制V(θ)平滑性的参数；可以得到本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于对轴承故障信号进行NSST时频分析的方法，其特征在于：具体包括以下步骤：S101：对非平稳信号进行非线性稀疏分解，得到分解后的各个信号稀疏分量；S102：对分解后的各个信号稀疏分量依次进行同步压缩变换SST，得到压缩后的稀疏分量；S103：将压缩后的稀疏分量按时频重排，并将重排后的结果进行累加整合，得到最终处理完成的非平稳信号时频分布。2.如权利要求1所述的一种用于对轴承故障信号进行NSST时频分析的方法，其特征在于：步骤S101具体为：S201：首先，信号f(t)的初始化残差为r0＝f(t)；S202：其次，构建字典集D＝{a(t)cosθ(t):θ'(t)≥0,a(t)≥0；a(t),θ'(t)∈V(θ)}；其中，θ(t)为待求分解系数；θ
′
(t)为θ(t)的转置；a(t)为待稀疏分解信号；V(θ)为超完备傅里叶基张成的线性空间；同时，将V(θ)进一步构造为一组超完备傅里叶基张成的线性空间V(θ,λ)；V(θ,λ)是所有比cosθ(t)平滑的函数的集合；λ是控制V(θ)平滑性的参数；可以得到非平稳信号f(t)在字典集D上的非线性稀疏分解和V(θ,λ)空间的表示；S203：利用初始化残差，求解正则化非线性最小二乘问题，得到更新的残差；S204：若更新的残差小于且等于预设的阈值，则非线性稀疏分解结束，得到分解后的各个信号稀疏分量；否则，返回步骤S203。3.如权利要求2所述的一种用于对轴承故障信号进行NSST时频分析的方法，其特征在于：步骤S202中，其中4.如权利要求2所述的一种...
【专利技术属性】
技术研发人员：郝国成，凌斯奇，王盼盼，金亚睿，甘宇，张薇，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。