[發明專利]一種基于振動時頻分析的滾動軸承故障診斷方法

有效

• 申請號: 201410348772.4
• 申請日: 2014-07-21
• 公開（公告）號: CN104155108B
• 公開（公告）日: 2017-07-07
• 發明（設計）人: 張俊紅;劉昱;林杰威;馬梁;馬文朋
• 申請（專利權）人: 天津大學
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 杜文茹

技術領域

本發明涉及一種滾動軸承故障診斷方法。特別是涉及一種基于振動時頻分析的滾動軸承故障診斷方法。

背景技術

振動分析是對滾動軸承進行故障診斷的最簡單最直接手段，振動分析方法可以分為時域分析法、頻域分析法和時頻分析法。其中時頻分析方法由于能夠綜合反映振動信號隨時間和頻率的變化情況一直是研究的熱點。魏格納(Wigner)分布是一種典型的時頻分析方法，具有良好的時頻聚集性能夠反應振動信號的本質特征，但它只適用于處理單分量信號，當處理滾動軸承振動信號這種多分量信號時，由于交叉項的干擾會導致生成的Wigner時頻圖不準確，從而限制了它的應用。

采用信號分解技術對多分量信號進行分解是解決Wigner分布交叉項問題的最有效手段，但典型的信號分解技術如小波變換和經驗模態分解等在實際應用中都存在著各自的問題。小波變換本質是對時頻面的機械劃分不具有自適應性，此外小波基函數的選擇過于依賴經驗，選擇不同的基函數將會對分解結果產生重大的影響；經驗模態分解是一種自適應的時頻分析方法，但它存在端點效應、無法解釋負頻率以及由于采用三次樣條插值帶來的過包絡、欠包絡等問題。Frei等提出了固有時間尺度分解方法，它解決了經驗模態分解的一些固有缺陷，并且在非平穩腦電波信號的分析中取得了不錯的效果。但是由于滾動軸承振動信號更為復雜，想要將固有時間尺度分解用于滾動軸承故障振動信號的分析仍然需要對其平滑方法和端點效應等問題進行優化。

此外，故障特征提取沒有明確的標準，為了滿足故障診斷精度的要求通常需要提取多個故障特征，這就使得計算量大大增加，同時隨著特征數目的增加特征間的冗余將會限制故障診斷精度的進一步提高。在故障模式識別方面，常規方法如：神經網絡、支持向量機等模型較為復雜，且對使用者的專業知識也有較高要求，不適于滾動軸承在線診斷。如何獲取典型的故障特征，建立便于理解且計算復雜度較低的故障識別模型是滾動軸承在線診斷研究的重點。

發明內容

本發明所要解決的技術問題是，提供一種能夠去除Wigner分布交叉項干擾，提取具有代表性的故障特征，建立簡單高效的故障識別模型的基于振動時頻分析的滾動軸承故障診斷方法。

本發明所采用的技術方案是：一種基于振動時頻分析的滾動軸承故障診斷方法，包括以下步驟：

(1)利用振動加速度傳感器采集滾動軸承正常條件和故障條件下的振動信號；

(2)對固有時間尺度分解中的插值方法和端點效應處理方法進行改進，并利用改進后的固有時間尺度分解方法對采集到的振動信號x(t)進行分解，生成若干個固有時間尺度分量HF_m(t)和殘差信號u_n(t)：

(3)計算各固有時間尺度分量HF_m(t)與振動信號x(t)的相關性，選擇相關性排在前5位的固有時間尺度分量作為相關分量，剔除噪聲信號和偽分量；

(4)分別計算各相關分量的魏格納分布，并進行線性疊加得到原信號的魏格納時頻圖；

(5)提取魏格納時頻圖的差分分形盒維數和圖像熵作為故障特征；

(6)利用馬氏距離建立故障特征與故障類型的映射關系實現故障診斷。

步驟(2)中所述的改進的固有時間尺度分解中的插值方法，是采用分段埃爾米特插值代替原固有時間尺度分解算法中的線性插值擬合基線信號。

步驟(2)中所述的改進的固有時間尺度分解中的端點效應處理方法，是采用最小二乘支持向量機延拓解決端點效應，并利用模擬蛙跳算法對最小二乘支持向量機的核函數參數和懲罰因子進行優化。

步驟(3)中所述的相關性是采用互信息進行度量，即

其中X和Y為隨機變量，I(X；Y)為隨機變量X和Y的互信息，p(x)為隨機變量X的概率密度函數，p(y)為隨機變量Y的概率密度函數，p(x,y)為隨機變量X和Y的聯合概率密度函數。

本發明的一種基于振動時頻分析的滾動軸承故障診斷方法，解決了Wigner分布交叉項的干擾，確定了差分分形盒維數和圖像熵兩種具有代表性的故障特征，建立了基于馬氏距離的故障識別模型，可以快速準確的識別軸承故障類型，適用于滾動軸承的在線診斷。

附圖說明

圖1是本發明提出的故障診斷方法基本流程圖；

圖2a是滾動軸承正常狀態振動信號；

圖2b是滾動軸承內圈故障狀態振動信號；

圖2c是滾動軸承外圈故障狀態振動信號；

圖2d是滾動軸承滾動體故障狀態振動信號；