一种轴承微弱故障诊断方法技术

本发明专利技术属于振动信号处理技术领域，具体涉及一种轴承微弱故障诊断方法，包括S1.获取轴承的振动信号；S2.采用连续变分模式分解方法分解振动信号，得到多个包含单一信号成分的模式；S3.计算步骤S2中得到的所有模式的稀疏度，并依据稀疏度的大小对步骤S2中的所有模式进行排序；其中，稀疏度是通过一种新的计算公式计算而得；S4.依据步骤S3中得到的各模式的稀疏度及排序结果，按照基于稀疏度指标的重组策略对所有模式进行信号重构；S5.对步骤S4重构得到的信号进行分析，提取轴承的微弱故障特征。因此，本发明专利技术提高了轴承故障诊断的准确率。本发明专利技术提高了轴承故障诊断的准确率。本发明专利技术提高了轴承故障诊断的准确率。

【技术实现步骤摘要】
一种轴承微弱故障诊断方法


[0001]本专利技术属于振动信号处理
，具体涉及一种轴承微弱故障诊断方法。

技术介绍

[0002]作为旋转机械中应用最为广泛也是最容易发生故障的支撑部件之一滚动轴承，其安全运行往往决定着整个设备的状态。对滚动轴承早期微弱故障进行及时精确的故障判断，有着重要的经济及安全意义。但是，滚动轴承发生早期微弱故障时，其冲击性故障特征成分相对于其它干扰信号成分往往较为微弱；此外，监测故障轴承采集到的振动信号还包含齿轮信号、转子转频及其谐频成分，即呈现出多成分特征，常规特征提取的方法难以取得有效特征提取结果，如包络谱分析。
[0003]相对于小波变换、经验模式分解方法，变分模式分解时频的分析方法可以将含有多成分的滚动轴承故障信号分解为一系列只包含单一信号成分的模式，再依据峭度指标选取分解得到的包含冲击性成分最多的最优模式进行包络分析，进而提取滚动轴承故障特征。然而，变分模式分解存在需要人为精确确定模式个数的缺陷；更重要的是，依据峭度指标选取的最优模式的方法往往对额外冲击即“野点”(突变的干扰信号)信号成分也十分敏感，往往存在造成误判的缺陷。

技术实现思路

[0004]本专利技术的目的在于提供一种轴承微弱故障诊断方法，用以解决现有技术中对信号分解后使用峭度指标选取最优模式存在误判的问题，以提高轴承故障诊断的准确率。
[0005]为解决上述技术问题，本专利技术所提供的技术方案以及技术方案对应的有益效果如下：
[0006]本专利技术的一种轴承微弱故障诊断方法，包括如下步骤：
[0007]S1.获取轴承的振动信号；
[0008]S2.采用模式分解方法分解所述振动信号，得到多个包含单一信号成分的模式；
[0009]S3.计算步骤S2中得到的所有模式的稀疏度，并依据稀疏度的大小对步骤S2中的所有模式进行排序；其中，所述稀疏度为：
[0010][0011]式中，SI
i
为第i个模式的稀疏度，||
·
||1代表l1范数，SE
i
为分析第i个模式信号解析形式的方波包络值，SE
r
[p]表示所有模式的方波包络值按照升序排列后的第p小的方波包络值，N为模式总数；
[0012]S4.依据步骤S3中得到的各模式的稀疏度及排序结果，按照基于稀疏度的重组策略对所有模式进行信号重构；
[0013]S5.对步骤S4重构得到的信号进行分析，提取轴承的微弱故障特征。
[0014]上述技术方案的有益效果为：本专利技术采用基于稀疏度指标来选取蕴含有冲击性特
征成分的模式，可以解决传统依据峭度指标选取模式时对额外冲击即“野点”信号成分敏感的问题；从而提高了对轴承微弱故障诊断的准确率。
[0015]进一步地，步骤S2中，排序方法为降序排序，记降序排序后的模式分别为则步骤S4中所述重组策略为：
[0016]S401.判断降序后的第一个模式与降序后的第n个模式之和的稀疏度是否大于等于降序后的第m个模式的稀疏度，即且m<n<N,若大于等于，则将降序后的第m个模式修正为第n个模式与原第m个模式之和；
[0017]S402.从现有所有模式中移除降序后的第n个模式s
n
(t)；
[0018]S403.重复步骤S401
‑
S402，直到现有所有模式中的第一个模式与第n个模式之和的稀疏度小于第m个模式的稀疏度且m小于n。
[0019]上述技术方案的有益效果为：由于滚动轴承冲击性故障信号成分的宽频特征，在步骤S2过程中极有可能造成冲击性故障信号成分被分解到多个模式中去，即造成“过分解”问题，即若对某一个模式进行包络特征提取，将会造成信息不完整，造成特征信息流失，进而引起误判、漏判的问题。使用该重构策略可以有效将多个蕴含冲击性特征信号成分的模式进行重构，有效避免了“过分解”造成的特征信息流失问题，解决了误判、漏判的问题，进一步提高了对轴承微弱故障诊断的准确率。
[0020]进一步地，步骤S3中模式分解方法为连续变分模式分解。
[0021]上述技术方案的有益效果为：使用连续变分模式分解方法可以对滚动轴承多成分微弱故障信号进行分解，以解决变分模式分解时需要人为事先确定最优分解模式的个数的问题，受人为因素影响大，进而以致造成分解结果的不确定性；此外，连续变分模式分解相对变分模式分解具有更高的计算效率。
[0022]进一步地，所述振动信号为发生报警时的振动信号。
[0023]进一步地，所述振动信号是加速度信号。
[0024]进一步地，发生报警的加速度信号采用如下方法选取得到：
[0025]获取轴承的原始加速度信号，并计算原始加速度信号的峭度值和加速度信号一次积分值；若原始加速度信号的峭度值和加速度信号一次积分值均超过对应的设定报警值，则将原始加速度信号作为发生报警的加速度信号。
[0026]上述技术方案的有益效果为：使用双指标报警方式有效减少了误报率。
[0027]进一步地，当监测点的多个通道同时报警时，则选取振动幅值最大的报警通道的信号作为为发生报警时的振动信号。
[0028]进一步地，步骤S5中所述的对步骤S4重构得到的信号进行分析，其分析方法为包络分析。
附图说明
[0029]图1是本专利技术的轴承微弱故障诊断方法流程图；
[0030]图2是本专利技术实施例中选取的一段滚动轴承早期微弱故障信号示意图；
[0031]图3是本专利技术实施例中所示故障信号直接进行包络谱分解后的包络谱示意图；
[0032]图4是本专利技术实施例中将所示故障信号输入至连续变分模式分解模型中得到的多
个模式的示意图；
[0033]图5是本专利技术实施例中将图4所示的多个模式基于稀疏度指标重构策略重构后的信号示意图；
[0034]图6是本专利技术实施例中图5中重构后所示信号的包络解调谱结果图。
具体实施方式
[0035]方法实施例1：
[0036]本专利技术的一种轴承微弱故障诊断方法用于对滚动轴承早期微弱故障进行诊断，如图1所示，该方法包括：
[0037]步骤一，对监测的滚动轴承进行振动监测点布置；监测设备选为加速度传感器，振动信号为加速度信号。此外，振动信号为发生报警时的振动信号，本实施例中为报警时的加速度信号；监测振动幅值为加速度值积分后的速度值，并依据国标设置速度幅值报警值，当振动幅值超过报警值则选作为报警时的振动信号；峭度指标为原始加速度信号的计算值，报警值设为3.5，当峭度指标超过报警值时，则选作为报警时的振动信号。为了有效减小误报率，本实施例采用基于加速度值积分后的速度值及原始加速度信号的峭度值均超设定的报警值时的原始加速度信号作为发生报警的加速度信号，即监测轴承振动信号的幅值和峭度值同时超过报警值时，才会认为一次有效的报警事件。此外，若同一轴承有多个监测通道同时报警，选取振动幅值最大的信号作为发生报警时的振动信号，即作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承微弱故障诊断方法，其特征在于：包括如下步骤：S1.获取轴承的振动信号；S2.采用模式分解方法分解所述振动信号，得到多个包含单一信号成分的模式；S3.计算步骤S2中得到的所有模式的稀疏度，并依据稀疏度的大小对步骤S2中的所有模式进行排序；其中，所述稀疏度为：式中，SI
i
为第i个模式的稀疏度，||
·
||1代表l1范数，SE
i
为分析第i个模式信号解析形式的方波包络值，SE
r
[p]表示所有模式的方波包络值按照升序排列后的第p小的方波包络值，N为模式总数；S4.依据步骤S3中得到的各模式的稀疏度及排序结果，按照基于稀疏度的重组策略对所有模式进行信号重构；S5.对步骤S4重构得到的信号进行分析，提取轴承的微弱故障特征。2.根据权利要求1所述的轴承微弱故障诊断方法，其特征在于：步骤S3中，排序方法为降序排序，记降序排序后的模式分别为则步骤S4中所述重组策略为：S401.判断降序后的第一个模式与降序后的第n个模式之和的稀疏度是否大于等于降序后的第m个模式的稀疏度，即且m＜n＜N,若大于等于，则将降序后的第m个模式修正为第n个模式与原第m个模式之和；S402.从现有所有模式中移除降序后的第n个模...

【专利技术属性】
技术研发人员：王宏超，韩捷，胡鑫，李永耀，
申请(专利权)人：郑州恩普特科技股份有限公司，
类型：发明
国别省市：