一种融合方差与1D-LBP的故障识别方法技术

本发明专利技术设计一种融合方差与1D

【技术实现步骤摘要】
一种融合方差与1D
‑
LBP的故障识别方法


[0001]本专利技术属于故障诊断
，特别涉及一种融合方差与1D
‑
LBP的故障识别方法。

技术介绍

[0002]旋转机械广泛应用于航空、电力、能源等各个领域，其关键部件的健康状况会直接影响到旋转机械设备的运行状况，例如轴承，齿轮箱等。但由于设备的工作环境通常非常恶劣，旋转机械又长期处于高温、高速的运转状态，因此极易发生故障。同时，其关键部件的工作性能也会随着使用寿命的增加逐渐退化，这会对整个机械系统的安全性和设备运行的稳定性造成重大影响。因此，对旋转机械的关键部件进行故障的准确识别与诊断，对设备的可靠运转具有重要意义。
[0003]为了实现对旋转机械故障的有效诊断，学者们做了大量的研究。包括基于信号分离算法的研究，如小波变换、变分模态分解、经验模态分解等；也包括各种降噪算法的研究，如以小波阈值降噪和最大相关峭度解卷积等降噪算法；还包括各种信息融合算法的研究，如全矢谱、PCA等。这些信号分析方法，在故障信号的处理上都具有各自的优势。但也存在一定的局限性，如小波变换中小波基的选取不具有自适应性；经验模态分解存在比较严重的端点效应及模式混叠问题；变分模态分解时，其分解层数与中心频率的确定对信号的故障识别具有至关重要的影响等。
[0004]纹理特征的提取是计算机视觉和模式识别的重要组成部分，局部二进制模式方法是将邻域与中心像素进行比较，生成8位二进制图案，从而实现纹理特征提取，在纹理分析中有着广泛的应用。研究发现，局部二进制模式可以反映整个模式的信息，将特征数量减少到可以管理的水平。最近，局部二进制模式纹理分析方法被引入到了故障诊断领域。但研究集中于基于均值或中心值对信号进行纹理特征提取，得到的信号中仍存在大量噪声成分的干扰，故障特征信息没有被有效凸显，因此难以实现故障特征信息的准确提取以及故障类型的准确识别。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种基于方差与1D
‑
LBP(一维局部二进制模式)相结合的故障识别方法；提出以方差(非常规方法的均值或中心值)为准则，将采集的振动信号转换为二进制模式的方法，以对微弱故障特征信息进行增强，并将其应用于旋转机械的故障诊断中；本专利技术不仅使振动信号中的噪声成分得到有效抑制，同时进一步凸显了故障特征信息，能有效实现旋转机械关键部件的故障特征信息的准确提取以及故障类型的识别，具有极佳的工程应用价值。
[0006]一种融合方差与1D
‑
LBP的故障识别方法，具体包括以下步骤：
[0007]步骤1：利用传感器及数据采集卡获取旋转机械原始振动信号{p
1,
p
2,
…
p
n
}，构建窗口大小为L(L<n)的移动窗，计算依据原始信号所截取的移动窗内信号x
(j,i)
与窗内信号局部
方差x
j
的差值b
(j,i)
，其中：
[0008][0009]b
(j,i)
＝x
(j,i)
‑
x
j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0010]n为原始信号的长度，x
(j,i)
为移动窗内的原始振动信号，i＝1,2,
…
L，j为移动窗的个数，j＝1,2,
…
n
‑
L+1，为移动窗内信号x
(j,i)
的平均值；
[0011]步骤2：将步骤1以方差为准则获得的b
(j,i)
二值化，f(b
(j,i)
)为b
(j,i)
对应的二值化后的信号；当移动窗内的数值x
(j,i)
大于局部方差x
j
时，即，b
(j,i)
>0时，令其等于1；当移动窗内的数值小于等于局部方差时，即，b
(j,i)
≤0时，令其等于0；
[0012][0013]步骤3：将窗内二值化后的信号f(b
(j,i)
)，转换为10进制，生成新的局部纹理信号LCS(j)；
[0014][0015]步骤4：移动窗函数，且移动单位为1，重复步骤1
‑
3，计算每个窗函数内振动信号对应的新的局部纹理信号LCS(j)；当达到原始信号的尾部时，停止窗函数的移动，获取全部数据的局部纹理信号LCS，LCS＝{LCS(1),LCS(2)
…
LCS(n
‑
L+1)}；
[0016]步骤5：基于谱分析方法，分析步骤4获取的局部纹理信号LCS，提取信号LCS特征频率，依据旋转机械故障特征频率计算公式实现对旋转机械故障特征信息的提取及故障类型的识别。
[0017]本专利技术有益技术效果：
[0018]本专利技术首先考虑到与均值或中心值相比，方差可以更好的突出序列中局部微弱的故障信息，本专利技术在对振动信号基于一维局部二进制进行二值化时，以方差(代替局部均值或中心值)为准则进行了二值化；并将获得的二进制序列转换为十进制值，即为处理后得到的新的含有局部纹理信息的信号。然后利用谱分析方法对获得的含有局部纹理信息的信号进行特征提取，从而实现对旋转机械故障特征频率的提取以及故障类型的准确识别；与现有技术相比，本专利技术不仅使振动信号中的噪声分量得到了有效抑制，凸显了故障特征信息，同时将谱分析方法与1D
‑
LBP相结合，便于旋转机械故障的诊断与识别，具有极佳的工程应用价值。
附图说明
[0019]图1本专利技术实施例一种融合方差与1D
‑
LBP的故障识别方法流程图；
[0020]图2本专利技术实施例在滚动轴承故障识别的应用—实施例1；
[0021]图3本专利技术实施例在滚动轴承故障识别的应用—实施例2；
[0022]图4本专利技术实施例在滚动轴承故障识别的应用—实施例3。
具体实施方式
[0023]下面结合附图和实施例对本专利技术做进一步说明；
[0024]一种基于方差与1D
‑
LBP相结合的故障识别方法，如附图1所示，以滚动轴承且窗口大小L＝8为例，具体包括以下步骤：
[0025]步骤1：利用加速度传感器以及数据采集卡获取滚动轴承原始离散振动信号{p
1,
p
2,
…
p
n
}，构建窗口大小为L＝8的移动窗，计算依据原始信号所截取的移动窗内信号x
(j,i)
与窗内信号局部方差x
j
的差值b
(j,i)
，其中：
[0026][0027]b
(j，i)
＝x
(j，i)
‑
x
j
ꢀꢀꢀꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合方差与1D
‑
LBP的故障识别方法，其特征在于，具体包括以下步骤：步骤1：获取旋转机械原始振动信号{p
1,
p
2,
…
p
n
}，构建窗口大小为L(L<n)的移动窗，计算依据原始信号所截取的移动窗内信号x
(j,i)
与窗内信号局部方差x
j
的差值b
(j,i)
；步骤2：将步骤1以方差为准则获得的b
(j,i)
二值化，f(b
(j,i)
)为b
(j,i)
对应的二值化后的信号；步骤3：将窗内二值化后的信号f(b
(j,i)
)，转换为10进制，生成新的局部纹理信号LCS(j)；步骤4：移动窗函数，且移动单位为1，重复步骤1
‑
3，计算每个窗函数内振动信号对应的新的局部纹理信号LCS(j)；当达到原始信号的尾部时，停止窗函数的移动，获取全部数据的局部纹理信号LCS，LCS＝{LCS(1),LCS(2)
…
LCS(n
‑
L+1)}；步骤5：基于谱分析方法，分析步骤4获取的局部纹理信号LCS，提取信号LCS特征频率，依据旋转机械故障特征频率计算公式实现对旋转机械故障特征信息的提取及故障类型的识别。2.根据权利要求1所述的一种融合方差与1D
‑
LBP的故障识别方法，其特征在于，步骤1计算依据原始信号{p...

【专利技术属性】
技术研发人员：于明月，张怡，方铭贺，葛向东，乔保栋，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：