[發明專利]基于改進經驗小波變換的軸承故障診斷方法及系統裝置

在審

• 申請號: 201810144926.6
• 申請日: 2018-02-12
• 公開（公告）號: CN108375472A
• 公開（公告）日: 2018-08-07
• 發明（設計）人: 呂勇;郝爽;易燦燦
• 申請（專利權）人: 武漢科技大學
• 主分類號: G01M13/04
• 分類號: G01M13/04;G06K9/00;G06K9/62
• 代理公司: 北京科家知識產權代理事務所(普通合伙) 11427
• 代理人: 陳娟

本發明提供了一種基于改進經驗小波變換的軸承故障診斷方法及系統裝置，其主要方法為：(1)采集不同故障軸承信號作為分析信號，將時域波形轉換為頻域。(2)繪制頻譜的上包絡，將具有緊支撐的頻率峰轉換成平頂。(3)用準則篩選頻域中的平頂，去除無意義的平頂，保留主要頻率。(4)用相鄰平頂之間的極小值作為頻譜分割的邊界。(5)分割出的頻譜分別建立小波濾波器，將信號分解成N個模式分量。(6)用互相關系數計算模式分量與原始信號的相似度，選出相似度最高的分量。(7)故障取樣本，算出樣本的相關系數最大的IMF分量。計算IMF分量的多尺度排列熵，并繪制樣本的多尺度熵曲線，實現故障分類。

技術領域

本發明方法屬于信號分析領域。傳統經驗小波變換由于頻譜分割方法不夠合理，導致分解結果出現模式混疊、無意義的分量等情況。本發明提供了一種基于改進經驗小波變換(Improved Empirical Wavelet Transform，IEWT)的軸承故障診斷方法，旨在增加分解模式的準確度，從而提高故障分類的精度。

背景技術

軸承是機械傳動系統中的重要支承部件，受惡劣工況影響，故障頻發，往往會嚴重影響了企業的正常生產運營，為保證設備的正常運行，軸承的故障診斷至關重要。經驗小波變換(Empirical Wavelet Transform，EWT)，是結合了小波分析的理論和經驗模式分解(Empirical Mode Decomposition，EMD)的自適應性，既有理論支撐又具備自適應性。但此方法在頻譜分割上有一定的缺陷，因此EWT在分析含噪的非平穩信號也會出現模式混疊、無意義的分量，從而導致故障分類的精確度不高。

如李志農等人將EWT應用到轉子碰磨故障診斷中,能夠有效地揭示碰磨故障數據的頻率結構,區分碰磨故障的嚴重程度。(李志農,朱明,褚福磊,等.基于經驗小波變換的機械故障診斷方法研究[J].儀器儀表學報,2014(11):2423-2432.)

黃南天等人把EWT和OCSVM應用于高壓斷路機械的故障診斷，在EWT分解后用OCSVM對故障進行分類，實現了更準確的故障分類。(黃南天,張書鑫,蔡國偉,等.采用EWT和OCSVM的高壓斷路器機械故障診斷[J].儀器儀表學報,2015,36(12):2773-2781.)

李沁雪等人將EWT和多尺度熵結合應用與軸承特征提取及分類。(李沁雪,廖曉文,張清華.基于EWT和多尺度熵的軸承特征提取及分類[J].軸承,2016(1):48-52.)

祝文穎等對經驗小波變換做了改進，提出了新的IMF個數的估計方法和對故障敏感分量的選取方法，并應用于行星齒輪箱信號的故障診斷中(祝文穎,馮志鵬.基于改進經驗小波變換的行星齒輪箱故障診斷[J].儀器儀表學報,2016,37(10):2193-2201.)

但這些方法都沒有從本質上改進EWT頻譜分割方法的不合理之處，在分析含噪的非平穩信號時，仍易出現模式混疊或產生大量無意義的分量。

發明內容

本發明的目的是提供一種新的頻譜分割方法，旨在解決因噪聲引起的模式分解不準確，導致故障特征不明顯的情況。將采集到的軸承信號作為分析信號，并用順序統計濾波把頻率峰轉換成了對應的平頂形成上包絡。再根據三個準則篩選出頻域中的最高平頂，去除由噪聲引起的及無意義的平頂，保留主要頻率。接著，選擇相鄰平頂之間的極小值作為頻譜分割的邊界。最后，每一段頻帶分別建立一個合適的經驗小波濾波器組，將信號分解成N個模式分量，并做相應的頻域變換，提取特征頻率。

第一方面，本發明提供一種繪制頻譜包絡方法——順序統計濾波的最大值濾波，包括以下步驟：

(1)軸承振動信號做頻域變換，獲得頻率峰的極大值，并計算所有相鄰極大值之間的歐式距離，存入數組D_locmax中。

(2)選出D_locmax中的最小值作為順序統計濾波的窗口尺寸S_OSF。