一种皮带轮故障特征提取方法技术

本发明专利技术涉及一种基于改进Morlet小波和同步提取变换的皮带轮故障特征提取方法，属于机械故障诊断技术领域。本发明专利技术首先采用粒子群算法优化Morlet小波参数，获得符合分析信号特征的Morlet小波。然后，利用改进的Morlet小波信号分解算法对故障振动信号进行预处理，得到重构信号。最后，利用同步提取变换进行时频分析，得到重构信号高能量集中的时频分布与时变特征，从而获取能够表征皮带轮故障特征的时频图像。本发明专利技术能够以时频图的方式有效地提取出皮带轮故障特征，保证设备的正常运行。保证设备的正常运行。保证设备的正常运行。

【技术实现步骤摘要】
一种皮带轮故障特征提取方法


[0001]本专利技术属于机械故障诊断
，具体涉及一种皮带轮故障特征提取方法。

技术介绍

[0002]皮带轮作为旋转机械系统中的核心部件，在以电机作为动力输入的传动系统中，一级传动采用皮带传动的高达50％～60％。随着带传动技术的进步，皮带传动也逐渐应用于3D打印机、机器人等精密机械。广泛的应用范围奠定了皮带轮在工业生产和国民经济中的重要地位。然而，在实际运行过程中皮带轮往往容易出现偏心、缺齿、不对中等故障，进而造成安全生产事故。因此，为保证旋转机械设备正常运行，有效提取皮带轮故障特征以评估其运行状态至关重要。
[0003]而在旋转机械故障特征提取的过程中，故障信号往往会受到不同程度的噪声干扰，导致难以准确提取故障特征；现有的小波信号分解算法的参数通过人为经验设置，无法保证最佳分解精度。此外，基于时频图像的故障特征提取方法，虽然能够更加丰富的表征故障信号特征，但是所提取的时频脊线常因能量不集中导致特征模糊。
[0004]因此，现目前需要一种能在强背景噪声中准确的提取皮带轮故障特征，且分解精度高的皮带轮故障特征提取方法。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供了一种基于改进Morlet小波和同步提取变换的皮带轮故障特征提取方法。根据皮带轮发生故障时的振动信号，使用改进的Morlet小波信号分解算法对信号分解，并选取有效分量对信号进行重构，再进一步利用同步提取变换完成皮带轮故障特征提取。
[0006]为了达到解决上述技术问题的技术效果，本专利技术是通过以下技术方案实现的：一种皮带轮故障特征提取方法，其特征在于，包括以下步骤：
[0007]Step1：采用粒子群算法优化Morlet小波参数，获得符合分析信号特征的Morlet小波；
[0008]Step2：利用Step1中改进的Morlet小波信号分解算法，对故障振动信号进行预处理，得到重构信号；
[0009]Step3：利用同步提取变换进行时频分析，得到重构信号高能量集中的时频分布与时变特征，从而获取能够表征皮带轮故障特征的时频图像；
[0010]Step4：通过Step3中获取的时频图像分析得出皮带轮故障特征；
[0011]进一步的，所述Step1的具体步骤包括：
[0012]Step1.1：根据分析信号的特征，设置Morlet小波优化参数尺度a、带宽fb和中心频率fc的取值范围；
[0013]Step1.2：设定粒子群优化算法的初始参数(惯性权重ω＝1，学习因子C1＝1，种群规模设为100，迭代次数为30)；
[0014]Step1.3：随机产生多组参数作为粒子群，并求取每组参数对应的小波系数；
[0015]Step1.4：求取每组小波系数的香农熵作为适应度值，将适应度最大值对应的参数组作为全局最优解，并更新粒子群位置及对应参数值；其中，香农熵计算公式如下所示：
[0016][0017]P
i
是从小波系数获得的分布序列，计算公式为
[0018][0019]Step1.5：判断迭代次数是否等于或大于30，若是，则输出全局最优解，即(a,fb,fc)，进而得到改进的Morlet小波；反之，则返回step1.3。
[0020]进一步的，所述Step2的具体步骤包括：
[0021]Step2.1：设置Morlet小波信号分解算法的分解层数n、最大迭代次数i
m
、停止阈值ε；
[0022]Step2.2：通过改进的Morlet小波求取故障振动信号其中一个分量的小波系数。
[0023]Step2.3：利用相位差值法得到该分量的小波脊线a
r
(k)，计算公式为：
[0024][0025]其中相位和为k和k+1时刻小波系数的信号相位，ω0为小波中心频率。
[0026]获得小波脊后，由下式即可计算出信号的瞬时频率：
[0027][0028]Step2.4：利用同步解调方法重构分量信号xi(t)；
[0029]Step2.5：判断停止准则(e＝|(a
r
(k)
‑
a)/a|)是否小于设定的阈值ε或者迭代次数i等于最大迭代次数i
m
，若满足则输出重构分量信号；反之，则用原始信号减去该分量信号并使迭代次数加1，返回Step 2.2，直至满足条件；
[0030]Step2.6：利用相关系数法筛选有效分量，并进行信号重构。
[0031]进一步的，所述步骤Step3的具体步骤包括：
[0032]Step3.1：通过短时傅里叶变换将重构信号转化为时间
‑
频率信号；
[0033]Step3.2：通过相位差值法获取时间
‑
频率信号的瞬时频率；
[0034]Step3.3：构建同步提取算子，剔除时频脊线外能量发散的时频系数，提取脊线上的时频系数，得到故障特征时频图，同步提取算子如下式所示：
[0035][0036]其中，τ为时移因子，ω为采样频率。
[0037]本专利技术的有益效果是：
[0038]1、本专利技术采用粒子群算法优化小波参数，提高算法的分解能力，同时，通过同步提
取变换剔除时频脊线外能量发散的时频系数，便于获得更高清晰度的时频图像，有益于皮带轮故障特征的获取；
[0039]2、该方法对分析信号具有自适应性，且可从强背景噪声中准确的提取皮带轮故障特征。
附图说明
[0040]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]图1是本专利技术的步骤流程图；
[0042]图2是本专利技术实施例中皮带轮不对中故障振动信号采集装置；
[0043]图3是本专利技术实施例中皮带轮不对中故障振动信号时域和频域波形图；
[0044]图4是本专利技术实施例中皮带轮缺齿故障振动信号时域和频域波形图；
[0045]图5是本专利技术实施例中皮带轮不对中故障振动信号同步提取变换的时频图。
[0046]图6是本专利技术实施例中皮带轮缺齿故障振动信号同步提取变换的时频图。
具体实施方式
[0047]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0048]实施例1
[0049]本专利技术实施例提供一种基于改进Morlet小波和同步提取变换的皮带轮故障特征提取方法，基本框图如图1所示。实施例使用皮带轮振动信号采集装置如图2所示，皮带轮不对中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种皮带轮故障特征提取方法，其特征在于，包括以下步骤：Step1：采用粒子群算法优化Morlet小波参数，获得符合分析信号特征的Morlet小波；Step2：利用Step1中改进的Morlet小波信号分解算法对故障振动信号进行预处理，得到重构信号；Step3：利用同步提取变换剔除时频脊线上能量发散的时频系数，从而获取能够表征皮带轮故障特征的时频图像；Step4：通过时频图像分析得出皮带轮故障特征。2.根据权利要求1所述一种皮带轮故障特征提取方法，其特征在于，所述Step1的具体步骤包括：Step1.1：根据分析信号的特征，设置Morlet小波优化参数尺度a、带宽fb和中心频率fc的取值范围；Step1.2：设定粒子群优化算法的初始参数(惯性权重ω＝1，学习因子C1＝1，种群规模设为100，迭代次数为30)；Step1.3：随机产生多组参数作为粒子群，并求取每组参数对应的小波系数；Step1.4：求取每组小波系数的香农熵作为适应度值，将适应度最大值对应的参数组作为全局最优解，并更新粒子群位置及对应参数值；其中，香农熵计算公式如下所示：P
i
是从小波系数获得的分布序列，计算公式为：Step1.5：判断迭代是否结束，若结束则输出全局最优解，即(a,fb,fc)，得到改进的Morlet小波；反之，则返回step1.3，直至迭代次数等于或大于30。3.根据权利要求1所述一种皮带轮故...

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