基于最大信号周期峭度噪声比解卷积的轴承故障诊断方法技术

本发明专利技术提供了一种基于最大信号周期峭度噪声比解卷积的轴承故障诊断方法，获取滚动轴承的时域振动信号；根据信号包络周期峭度得到时域振动信号的故障周期；对故障周期内的时域振动信号，基于最大信号周期峭度噪声比解卷积进行故障特征增强；对故障特征增强后的时域振动信号进行包络分析，提取故障特征频率，将提取的故障特征频率与理论值进行对比匹配，得到故障类型；本发明专利技术增强了提取轴承周期性故障脉冲的能力。冲的能力。冲的能力。

【技术实现步骤摘要】
基于最大信号周期峭度噪声比解卷积的轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断
，特别涉及一种基于最大信号周期峭度噪声比解卷积的轴承故障诊断方法。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]随着现代化和工业化的深入发展，更多的旋转机械被广泛应用于各种工业场景中，滚动轴承是旋转机械中的关键部件，在航空航天工程、轨道交通、汽车制造等各个领域扮演着重要的角色。滚动轴承长期在变速旋转、交变负荷以及高温高压等恶劣的工作条件下运行后，其主要承载部件，包括轴承、齿轮和轴等，不可避免会出现各式各样的故障，如裂纹、磨损、点蚀或剥落等，当故障发生时其加速度振动信号中常会伴随有脉冲成分的产生。
[0004]由于轴承工作环境中常伴随有环境噪声，故障脉冲成分会被淹没在噪声中难以识别，因此，如何从加速度振动信号中提取周期性故障脉冲，尽早发现和排除故障，对旋转机械正常运行、设备和人员安全具有重大意义。
[0005]专利技术人发现，在以往的实践中很多经典解卷积方法已经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最大信号周期峭度噪声比解卷积的轴承故障诊断方法，其特征在于，包括以下过程：获取滚动轴承的时域振动信号；根据信号包络周期峭度得到时域振动信号的故障周期；对故障周期内的时域振动信号，基于最大信号周期峭度噪声比解卷积进行故障特征增强；对故障特征增强后的时域振动信号进行包络分析，提取故障特征频率，将提取的故障特征频率与理论值进行对比匹配，得到故障类型。2.如权利要求1所述的基于最大信号周期峭度噪声比解卷积的轴承故障诊断方法，其特征在于，根据信号包络周期峭度得到时域振动信号的故障周期之前，进行时域振动信号的预处理，至少包括：对获取的时域振动信号进行希尔伯特变换解调。3.如权利要求1所述的基于最大信号周期峭度噪声比解卷积的轴承故障诊断方法，其特征在于，信号包络周期峭度为τ及其倍数时延的自相关函数值之和占所有时延的自相关函数值之和的比例，当τ为信号周期T时，信号包络周期峭度取除零点以外的最大值。4.如权利要求1所述的基于最大信号周期峭度噪声比解卷积的轴承故障诊断方法，其特征在于，最大信号周期峭度噪声比解卷积以信号周期峭度噪声比为目标函数，通过基于人工兔优化的解卷积算法对滤波器系数进行优化，得到故障特征增强结果；其中，解卷积算法的目标为求得目标函数取最大值时对应的滤波器系数。5.如权利要求4所述的基于最大信号周期峭度噪声比解卷积的轴承故障诊断方法，其特征在于，信号周期峭度噪声比为时域内平方包络自相关函数的信噪比。6.如权利要求4所述的基于最大信号周期峭度噪声比解卷积的轴承故障诊断方法，其特征在于，基于人工兔优化的解卷积算法中，采用能量因子来模拟绕行搜索和随机隐藏的次数之间的关系，其中，能量因子根据[0,1]间的随机数、最大迭代次数以及当前迭代次数得到；能量因子大于1时，执行绕行搜索；能量因子小于或等于1时，执行随机隐藏。7.如权利要...

【专利技术属性】
技术研发人员：张法业，李彦君，王金喜，姜明顺，张雷，隋青美，
申请(专利权)人：山东大学，
类型：发明
国别省市：