[發(fā)明專利]基于貝葉斯殘余變換-奇異值分解-高斯混合隱馬爾科夫模型框架的滾動(dòng)軸承故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710942165.4
• 申請(qǐng)日: 2017-10-11
• 公開(kāi)（公告）號(hào): CN107817106B
• 公開(kāi)（公告）日: 2019-08-02
• 發(fā)明（設(shè)計(jì)）人: 向家偉;王璐;鐘永騰;周余慶
• 申請(qǐng)（專利權(quán)）人: 溫州大學(xué)
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045;G06K9/62
• 代理公司: 溫州名創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司 33258
• 代理人: 曾建芳

本發(fā)明屬于機(jī)械設(shè)備故障診斷領(lǐng)域，本發(fā)明公開(kāi)了一種基于貝葉斯殘余變換、奇異值分解、高斯混合隱馬爾科夫模型框架滾動(dòng)軸承故障診斷方法，具體為：首先采集故障軸承信號(hào)；固定在被測(cè)軸承蓋上的加速度傳感器將信號(hào)放大后傳輸?shù)蕉嗤ǖ罃?shù)據(jù)采集分析儀，分析儀將采集到的信號(hào)發(fā)送到PC機(jī)；其次對(duì)采集到的信號(hào)進(jìn)行如下處理：第一步，通過(guò)貝葉斯殘余變換分解信號(hào)，并對(duì)殘余信號(hào)消噪重構(gòu)，重構(gòu)信號(hào)包含較為清晰的信號(hào)特征；第二步，采用奇異值分解，提取上一步驟中所得的重構(gòu)信號(hào)的奇異值向量，提高故障特征的穩(wěn)定性；第三步，依據(jù)高斯混合的隱馬爾科夫模型來(lái)對(duì)軸承故障進(jìn)行分類。本發(fā)明具有精確診斷滾動(dòng)軸承故障的優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)械設(shè)備故障診斷技術(shù)領(lǐng)域，尤其是一種基于貝葉斯殘余變換-奇異值分解-高斯混合隱馬爾科夫模型框架的滾動(dòng)軸承故障診斷方法。

背景技術(shù)

軸承廣泛應(yīng)用于現(xiàn)代機(jī)械設(shè)備中，是旋轉(zhuǎn)機(jī)械不可或缺的部件。其主要功能是支撐機(jī)械旋轉(zhuǎn)體，降低其運(yùn)動(dòng)過(guò)程中的摩擦系數(shù)，并保證其回轉(zhuǎn)精度。由于高速、重載等惡劣的工作條件，軸承壽命變短，從而引發(fā)各種機(jī)械故障。這些故障可能導(dǎo)致機(jī)器破壞，輕則造成經(jīng)濟(jì)損失重則導(dǎo)致災(zāi)難性事故。

機(jī)械設(shè)備故障診斷技術(shù)作為一門新興學(xué)科，首先發(fā)展于上世紀(jì)60年代的美國(guó)。我國(guó)故障診斷技術(shù)起步較晚但發(fā)展迅速，從最初依靠經(jīng)驗(yàn)、簡(jiǎn)單儀表排除故障到復(fù)雜儀器、信號(hào)處理為基礎(chǔ)的現(xiàn)代化故障診斷技術(shù)。1981年的美國(guó)，工廠需花費(fèi)了6000多億美元來(lái)維護(hù)其關(guān)鍵的系統(tǒng)，這個(gè)數(shù)字在20年內(nèi)翻了一番。然而，這些支出中有近一半是無(wú)效的維護(hù)。因此，開(kāi)發(fā)有效的維護(hù)技術(shù)是一項(xiàng)迫切的任務(wù)。

目前，機(jī)器維護(hù)方式已從故障發(fā)生后再維修，進(jìn)展到預(yù)防性維護(hù)，然后向?qū)崟r(shí)監(jiān)測(cè)發(fā)展，對(duì)機(jī)器進(jìn)行實(shí)時(shí)的故障診斷和預(yù)測(cè)。故障診斷中，對(duì)旋轉(zhuǎn)機(jī)器局部缺陷引起的振動(dòng)信號(hào)分析已成為診斷的最優(yōu)選方法。

當(dāng)機(jī)械設(shè)備上產(chǎn)生局部缺陷，例如軸承發(fā)生故障，在周期運(yùn)動(dòng)時(shí)缺陷部分會(huì)產(chǎn)生周期性脈沖。由于收集到的信號(hào)總是包含嘈雜的背景噪聲，因此檢測(cè)這些有用的周期性瞬態(tài)脈沖需要先進(jìn)的信號(hào)處理。需在機(jī)械故障特征提取方法上做大量研究，如小波變換，經(jīng)驗(yàn)?zāi)Ｊ椒纸猓琖igner-Ville分布，獨(dú)立分量分析和光譜峰度(SK)等。而這些診斷方法都存在不可避免的缺陷。如小波變換方法采用的變換尺度較小，當(dāng)?shù)皖l段存在較強(qiáng)的能量干擾時(shí)，該特征量的有效值就會(huì)降低，導(dǎo)致診斷結(jié)果不理想。經(jīng)驗(yàn)?zāi)B(tài)分解難以避免端點(diǎn)效應(yīng)即上、下包絡(luò)在數(shù)據(jù)序列兩端發(fā)散，且這種發(fā)散會(huì)隨著運(yùn)算的進(jìn)行而逐漸向內(nèi)，從而使得整個(gè)數(shù)據(jù)序列受到影響。

Wigner-Ville分布具有好的時(shí)頻聚集性,但是對(duì)于多分量信號(hào),根據(jù)卷積定理,會(huì)出現(xiàn)交叉項(xiàng),產(chǎn)生“虛假信號(hào)”,在診斷過(guò)程中產(chǎn)生缺陷。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于貝葉斯殘余變換-奇異值分解-高斯混合隱馬爾科夫模型框架的滾動(dòng)軸承故障診斷方法，該診斷方法可以精確診斷滾動(dòng)軸承故障。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種基于貝葉斯殘余變換-奇異值分解-高斯混合隱馬爾科夫模型框架的滾動(dòng)軸承故障診斷方法，其特征在于，包括以下內(nèi)容：首先使用貝葉斯殘余變換分解信號(hào)，得到不同尺度上的殘余信號(hào)，這些信號(hào)包含不同的信號(hào)特征，再對(duì)這些信號(hào)進(jìn)行閾值處理，消噪重構(gòu)，得到重構(gòu)信號(hào)；其次提出奇異值分解，提取上一步驟中所得的重構(gòu)信號(hào)的奇異值向量，進(jìn)而建立高斯混合隱馬爾科夫模型來(lái)識(shí)別軸承故障的類型；

具體步驟如下：①貝葉斯殘余變換對(duì)原始故障信號(hào)進(jìn)行分解，

原始信號(hào)f(t)被建模為n個(gè)殘余信號(hào)的總和，用公式表示為

式(1)中，ri(t)表征了第i層分解尺度下信號(hào)特征的殘余信號(hào)，為了將信號(hào)f(t)分解成幾個(gè)殘余信號(hào)，可進(jìn)一步將式(1)表示成

f∑_,1(t)＝f∑_,2(t)+r₁(t) (2)