本发明专利技术涉及一种基于自适应冗余提升小波降噪分析的轴承故障识别方法，属于滚动轴承的故障识别技术领域。技术方案是：1）轴承振动信号的自适应冗余提升小波变换；2)对各次分解得到的高频细节信号作变尺度阈值降噪处理；3）对最后一次分解得到的低频逼近信号和经小波阈值降噪后的高频细节信号作完整的逆向重构；4）对重构后的信号作Hilbert解调处理，得到初始振动信号的包络谱图；对谱图中的频率成分进行提取和识别；若能发现转频或故障特征频率甚至对应的倍频，判断轴承发生故障。本发明专利技术的有益效果是：根据噪声在小波域的变化特点来灵活选取阈值，可以更好地滤除噪声，同时又尽可能地保证真实信号的完整性。
【技术实现步骤摘要】
本专利技术涉及一种基于自适应冗余提升小波降噪分析的轴承故障识别方法，属于滚动轴承的故障识别
技术介绍
在众多的现代化设备中，轴承是应用最为广泛同时也是最易发生故障的元件之一。而因其故障引起的设备停机和生产停产，将给企业造成巨大的经济损失。为了保证生产的正常进行，最大限度地防止不良后果的发生，针对轴承开展有效的状态监测和诊断显得尤为重要和必要。对轴承实施状态监测时，采集其振动信号并运用一定的技术作分析处理，同时结合故障机理来判断轴承的运行状态，是当前最为常用的途径。而在诸多的现代信号处理方法中，具有多分辨分析的小波变换应用十分普遍，其主要是利用小波与信号中感兴趣成分的相似性以及小波的低熵特性将这些成分提取出来。但对于传统小波，由于双尺度方程的约束性，用于不同尺度下信号分解的却始终是同一小波，因而难以匹配不同尺度下信号中的特征。为此，利用提升算法在时域构造小波的特性，对轴承的振动信号进行提升·小波变换，并在变换的过程中根据不同尺度下信号的特点自适应地选取不同的小波来匹配信号中的特征，并结合阈值降噪方法来提高信噪比，以更好地提取有效特征用于轴承状态的识别。所述的“小波”是指“小波”就是小区域、长度有限、均值为O的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier变换相比，小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了 Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。
技术实现思路
本专利技术目的是提供一种基于自适应冗余提升小波降噪分析的轴承故障识别方法，从含背景噪声的轴承信号中提取出微弱特征，用以进行轴承状态的识别和诊断，解决
技术介绍
存在的上述问题。本专利技术技术方案是 基于自适应冗余提升小波降噪分析的轴承故障识别方法，包括如下步骤 O轴承振动信号的自适应冗余提升小波变换； 首先，确定预测算子长度N和更新算子长度F并一共得到十组不同的(β, iV)值，结合Lagrange插值公式计算得到十组预测算子系数P和更新算子系数U，进而构造出十种具有不同特性的小波；然后，确定分解层数，开始逐次进行冗余提升小波分解；每次分解时，均对新生成的十组低频逼近信号和高频细节信号取归一化 S数，并比较这十个范数值，取范数值最小的低频逼近信号和高频细节信号作为该次分解的最终结果而舍弃其他九组结果; 2)对各次分解得到的高频细节信号作变尺度阈值降噪处理； 3)对最后一次分解得到的低频逼近信号和经小波阈值降噪后的高频细节信号作完整的逆向重构； 4)对重构后的信号作Hilbert解调处理，得到初始振动信号的包络谱图；对谱图中的频率成分进行提取和识别；若能发现转频或故障特征频率甚至对应的倍频，判断轴承发生故障。对轴承的振动信号作自适应冗余提升小波变换，根据提升算法的特性，对不同尺度下信号的特征自适应地选取不同的小波来进行最优匹配，并通过冗余算法使每次分解得到的低频逼近信号和高频细节信号始终与初始信号具有相同的长度，更好地提取出信号中感兴趣的信息用于后续的分析。·对低频逼近信号和高频细节信号作阈值降噪处理，在一定程度上滤除噪声，进一步提闻/[目噪比。对重构的信号作包络谱分析，根据故障机理来提取有效的频率成分，可为轴承的状态识别提供必要条件，提闻诊断的准确率。本专利技术的有益效果是1)对轴承振动信号作自适应冗余提升小波变换，可以根据不同尺度下信号的特征来选取不同的小波对信号进行分解，从而最大限度地实现微弱特征的最优匹配和提取。2)对分解得到的低频逼近信号和高频细节信号作变尺度阈值降噪处理，根据噪声在小波域的变化特点来灵活选取阈值，可以更好地滤除噪声，同时又尽可能地保证真实信号的完整性。附图说明图I是本专利技术的总体流程 图2是自适应冗余提升小波变换过程的流程具体实施例方式下面结合附图，通过实施例对本专利技术作进一步说明。参照附图1，对轴承振动信号整体分析，包括四个具体步骤 1)确定分解层数为三，对采集得到的轴承振动信号作自适应冗余提升小波变换；三层分解完成后，得到三个低频逼近信号6和％以及三个高频细节信号A和其中下标U 2, 3分别表示第一层、第二层和第三层分解得到的结果； 2)对A和作变尺度阈值降噪处理；在这一过程中，先由启发式阈值生成规则和初始振动信号生成初始阈值然后选用硬阈值函数对A和 分别取阈值^ /及和彳2进行降噪，并得到降噪后的结果是、&和^ ； 3)对I3,J2和叾.作完整的逆向重构； 4)对所得的重构信号进行Hilbert解调及包络谱分析；结果轴承的故障机理提取谱图中的频率成分并进行判断；若发现转频甚至其倍频成分，则判断滚动轴承可能发生故障；若发现有外圈或内圈或滚动体或保持架的故障特征频率甚至其倍频，则相应判断外圈或内圈或滚动体或保持架发生了故障；否则，继续采集轴承的振动信号并按照上述步骤重新进行分析判别。参照附图2，所述的轴承振动信号的自适应冗余提升小波变换，包含如下步骤 1)确定小波变换的分解层数为三；开始进行变换并取当前分解层数为I;则一次完整的自适应拟合冗余提升小波变换的步骤主要有 ①以低频逼近信号七作为每次变换的待分解信号I。当= O时即为初始振动信号； 对当前的预测算子系数和更新算子系数进行插值补零以实现冗余算法；当前预测算子系数为^^ =bi,i 2s-'Pz] =[巧，巧，…pj时，则插值补零后的预测算子系数为= [aA巧Λ…,同理可得到插值补零后的更新算子系数； ③确定十组预测算子长度况和更新算子长度F的组合(風F/)分别为(2，2)、(8,2),賴、(14,2), (14,g), (14,14), (20,2), (20,8)、(20,14)和(20,20),并结合 Lagrange插值公式计算构造得到十种不同的小波；将这十种小波妁~妁^依次对待分解的低频逼近信号七作冗余提升小波变换(即预测和更新两个步骤)，得到十组新生成的低频逼近信号和闻频细节/[目号d/tu ；免=1，2,-..10，表不由小波的~ 分解得到的新的 目号； 14,对十组气和4+U分别求取归一化范数，计算公式如下 PIK/+U· IL = CZ- dLJ+l.k1^.· dL /+U )取 =IK^wIIp+IK'+wlL 即分别求取\.+w和广的范数，再对两者求和得到最终的范数值f (气#) ^上式中，1 =1,2,…JWr，表示β/+α或d/+u中的第i-个系数； ⑤对十个范数值,0 = 12,…10)进行比较，取最小值对应的那组ai+u和d叫亥作力角军wt 白勺角科言# x; 2)当一次变换结束以后，令当前分解层数加一，然后按照上述步骤0)至⑤继续进行下一次变换，直至三层分解全部完成，则整个自适应拟合冗余提升小波变换进行完毕。本文档来自技高网...
【技术保护点】
一种基于自适应冗余提升小波降噪分析的轴承故障识别方法，其特征在于包括如下步骤：1）轴承振动信号的自适应冗余提升小波变换；首先，确定预测算子长度？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？和更新算子长度并一共得到十组不同的值，结合Lagrange插值公式计算得到十组预测算子系数和更新算子系数进而构造出十种具有不同特性的小波；然后，确定分解层数，开始逐次进行冗余提升小波分解；每次分解时，均对新生成的十组低频逼近信号和高频细节信号取归一化范数，并比较这十个范数值，取范数值最小的低频逼近信号和高频细节信号作为该次分解的最终结果而舍弃其他九组结果；2）对各次分解得到的高频细节信号作变尺度阈值降噪处理；3）对最后一次分解得到的低频逼近信号和经小波阈值降噪后的高频细节信号作完整的逆向重构；4）对重构后的信号作Hilbert解调处理，得到初始振动信号的包络谱图；对谱图中的频率成分进行提取和识别；若能发现转频或故障特征频率甚至对应的倍频，判断轴承发生故障。2012104202003100001dest_path_image001.jpg,2012104202003100001dest_path_image002.jpg,2012104202003100001dest_path_image003.jpg,2012104202003100001dest_path_image004.jpg,2012104202003100001dest_path_image005.jpg,2012104202003100001dest_path_image006.jpg...
【技术特征摘要】
1.一种基于自适应冗余提升小波降噪分析的轴承故障识别方法，其特征在于包括如下步骤 1)轴承振动信号的自适应冗余提升小波变换； 首先，确定预测算子长度和更新算子长度犮并一共得到十组不同的(F,I )值，结合Lagrange插值公式计算得到十组预测算子系数P和更新算子系数进而构造出十种具有不同特性的小波；然后，确定分解层数，开始逐次进行冗余提升小波分解；每次分解时，均对新生成的十组低频逼近信号和高频细节信号取归一化h范数，并比较这十个范数值，取范数值最小的低频逼近信号和高频细节信号作为该次分解的最终结果而舍弃其他九组结果; 2)对各次分解得到的高频细节信号作变尺度阈值降噪处理； 3)对最后一次分解得到的低频逼近信号和经小波阈值降噪后的高频细节信号作完整的逆向重构； 4)对重构后的信号作Hilbert解调处理，得到初始振动信号的包络谱图；对谱图中的频率成分进行提取和识别；若能发现转频或故障特征频率甚至对应的倍频，判断轴承发生故障。2.根据权利要求I所述之基于自适应冗余提升小波降噪分析的轴承故障识别方法，其特征在于具体步骤 1)确定分解层数为三，对采集得到的轴承振动信号作自适应冗余提升小波变换；三层分解完成后，得到三个低频逼近信号七和^以及三个高频细节信号之和I其中下标I、2, 3分别表示第一层、第二层和第三层分解得到的结果； 2)对之和之·作变尺度阈值降噪处理；在这一过程中，先由启发式阈值生成规则和初始振动信号生成初始阈值 ,然后选用硬阈值函数对之和毛〔分别取阈值“ /及和2进行降噪，并得到降噪后的结果叾、石和J3; 3 )对七、J3, I2和叾作完整的逆向重构； ...
【专利技术属性】
技术研发人员：迟桂友，于根茂，高立新，阳子靖，仝金平，王宏斌，刘伍，王玉兵，赵玉武，
申请(专利权)人：宣化钢铁集团有限责任公司，北京工业大学，河北钢铁集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。