一种IMOMEDA-TEO滚动轴承故障特征提取方法技术

本发明专利技术公开了一种IMOMEDA

【技术实现步骤摘要】
一种IMOMEDA
‑
TEO滚动轴承故障特征提取方法


[0001]本专利技术属于机械故障诊断
，具体涉及一种IMOMEDA
‑
TEO滚动轴承故障特征提取方法。

技术介绍

[0002]滚动轴承是机械系统的基础部件，广泛应用于旋转机械中。在工业生产中，当滚动轴承系统表面出现缺陷时，采集到的振动信号会在一定的特征频率处产生周期瞬态脉冲。因此，提取故障周期脉冲是滚动轴承故障特征提取的关键，研究有效的故障周期脉冲提取方法从振动信号中恢复或增强周期有效脉冲具有重要意义。
[0003]近年来，基于反褶积原理的信号处理方法被广泛应用于故障周期脉冲的提取中，并取得较好效果。Wiggins在1978年提出了最小熵反褶积(Minimum Entropy Deconvolution，MED)，以峭度为目标函数，迭代地寻找最优的反向滤波器来增强原始信号中的瞬态分量。2007年，Randall首次成功地将MED应用于故障检测领域。随后，MED广泛应用于旋转机械故障特征的提取。Chen等人提出了一种基于MED与Teager能量算子相结合的轴承故障诊断方法，并通过实验验证了该方法的有效性。Sawalhi等人提出了一种基于MED和谱峭度相结合的滚动轴承故障检测与诊断增强技术，实验证明MED方法具有良好的降噪性能。但是MED算法的目标是最大化峭度值，峭度易受到随机脉冲的影响，在迭代过程中，只能增强振动信号中的脉冲分量，无法提取到周期脉冲信号，这限制了该方法的发展。为了克服MED的不足，McDonald等人提出了最大相关峭度反褶积(Maximum Correlation Kurtosis Deconvolution,MCKD)，该方法以相关峭度为目标函数，迭代地寻找最优的反向滤波器来增强原始信号中的周期瞬态分量。MCKD算法在滚动轴承、齿轮箱、电机转子等旋转机械故障特征提取中均取得了显著的效果。但是，MCKD方法在实际应用中存在一些不足，其准确性受到四个参数的影响：滤波器的长度、周期的大小、位移的数量和迭代的数量，且MCKD仅能提取信号的单一周期脉冲信号。
[0004]为了克服MCKD的缺点，提取连续的周期脉冲信号，McDonald提出了多点最优最小熵反褶积(Multipoint optimal minimum entropy deconvolution,MOMEDA)方法，该方法是一种非迭代反褶积方法，以无限脉冲序列为目标，可以直接求解最优滤波解，已被成功应用于旋转机械的故障特征提取。Sun等人提出了一种基于MOMEDA和排列熵结合的齿轮箱故障特征提取方法，获得了较好的信号噪声抑制性能；Li提出了一种基于MOMMEDA和长短时记忆(LSTM)的轴承故障诊断方法，实现了轴承故障的精确诊断；Zhu提出了MOMEDA与Teager能量算子相结合的滚动轴承故障诊断方法，用于提取滚动轴承故障特征信息，取得了较好的实验效果。但仍未解决MOMEDA存在的如下局限性：(1)MOMEDA高度依赖于故障周期的先验知识，需要通过多点峭度(MKurt)谱在默认搜索故障周期T的区间内，识别与故障相关的脉冲周期。若受到复杂的背景噪声影响，MKurt谱可能无法根据峭度值的位置提供正确的故障周期信息，严重影响MOMEDA的反褶积性能；(2)MOMEDA的降噪精度直接受滤波器长度L的影响：滤波器长度设置不合理，会减弱或增强原始信号的能量，易导致误诊。因此，探索一种简单、
快速有效计算MOMEDA故障周期T和滤波器长度L的方法对提升其反褶积性能具有重要意义，且有助于提升MOMEDA用于提取滚动轴承故障特征的性能。
[0005]因此，为了解决上述问题，本文提出一种IMOMEDA
‑
TEO滚动轴承故障特征提取方法。

技术实现思路

[0006]为了解决上述技术问题，本专利技术设计了一种IMOMEDA
‑
TEO滚动轴承故障特征提取方法，针对多点最优最小熵反褶积(Multipoint Optimal Minimum Entropy Deconvolution,MOMEDA)存在故障周期T的选择依赖先验知识和信号降噪精度受滤波器长度L影响的问题，提出了一种改进的MOMEDA(Improved Multipoint Optimal Minimum Entropy Deconvolution,IMOMEDA)方法；首先，引入包络谐波噪声比方法(Envelope Harmonic
‑
to
‑
Noise Ratio，EHNR)，计算原始信号x(t)的EHNR谱，进而获得MOMEDA中故障周期T；其次，构造基于EHNR谱熵的网格搜索目标函数，计算MOMEDA最优滤波器长度L；再次，更新MOMEDA方法的故障周期T和滤波器长度L参数，并完成原始信号x(t)的解析，提取原始信号x(t)的故障周期冲击成分xcov(t)；最后对信号xcov(t)进行Teager能量算子解调(Teager Energy Operator Demodulation,TEO)，得到Teager能量谱，匹配Teager能量谱中的主导频率与滚动轴承故障特征频率，完成滚动轴承故障诊断。
[0007]为了达到上述技术效果，本专利技术是通过以下技术方案实现的：一种IMOMEDA
‑
TEO滚动轴承故障特征提取方法，其特征在于，包括以下步骤：
[0008]Step1:对滚动轴承振动信号x(t)进行自相关分析得到信号的自相关函数
[0009]Step2:获取信号x(t)的包络谐波噪声谱EHNR(x)，计算得到故障周期T；
[0010]Step3:初始化网格搜索法中的搜索范围和搜索步长，故障周期T保持不变，滤波器长度L满足L>2fs/fc的原则(其中，fs为采样频率，fc为故障提取的共振频率)，设置滤波器长度L的搜索范围为[200,4000]，步长为50；
[0011]Step4:根据MOMEDA去噪后信号的EHNR谱熵评价当前参数，在搜索范围内，更新参数L，得到EHNR_E(L)。当EHNR_E(L)最大时，得到最优滤波器长度L；
[0012]Step5:根据step2和step4，计算获得MOMEDA故障周期T和滤波器长度L。对原始信号x(t)进行MOMEDA解卷积，增强信号中的周期性冲击成分，进一步降低噪声的干扰，得到解卷积故障特征信号x_cov(t)。
[0013]Step6:对信号x_cov(t)进行Teager能量算子解调，得到信号的Teager能量谱，进而完成故障特征提取。
[0014]进一步的，所述Step2和Step4中EHNR的计算过程如下：
[0015](1)振动信号x(t)的通过希尔伯特变换得到包络信号Env
x
(t)并去除直流分量，
[0016][0017][0018]Env
x
(t)＝Env'
x
(t)
‑
mean(Env'
...

【技术保护点】

【技术特征摘要】
1.一种IMOMEDA
‑
TEO滚动轴承故障特征提取方法，其特征在于，包括以下步骤：Step1:对滚动轴承振动信号x(t)进行自相关分析得到信号的自相关函数Step2:获取信号x(t)的包络谐波噪声谱EHNR(x)，计算得到故障周期T；Step3:初始化网格搜索法中的搜索范围和搜索步长，故障周期T保持不变，滤波器长度L满足L＞2fs/fc的原则(其中，fs为采样频率，fc为故障提取的共振频率)，设置滤波器长度L的搜索范围为[200,4000]，步长为50；Step4:根据MOMEDA去噪后信号的EHNR谱熵评价当前参数，在搜索范围内，更新参数L，得到EHNR_E(L)。当EHNR_E(L)最大时，得到最优滤波器长度L；Step5:根据step2和step4，计算获得MOMEDA故障周期T和滤波器长度L。对原始信号x(t)进行MOMEDA解卷积，增强信号中的周期性冲击成分，进一步降低噪声的干扰，得到解卷积故障特征信号x_cov(t)。Step6:对信号x_cov(t)进行Teager能量算子解调，得到信号的Teager能量谱，进而完成故障特征提取。2.根据权利要求1所述的一种IMOMEDA
‑
TEO滚动轴承故障特征提取方法，其特征在于：所述Step2和Step4中，EHNR的计算过程如下：(1)振动信号x(t)的通过希尔伯特变换得到包络信号Env
x
(t)并去除直流分量，(t)并去除直流分量，Env
x
(t)＝Env'
x
(t)
‑...

【专利技术属性】
技术研发人员：李卓睿，马军，王晓东，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：