[發(fā)明專利]一種汽車發(fā)電機(jī)軸承故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811025468.0
• 申請(qǐng)日: 2018-09-04
• 公開（公告）號(hào): CN109187023B
• 公開（公告）日: 2021-01-26
• 發(fā)明（設(shè)計(jì)）人: 向家偉;王璐
• 申請(qǐng)（專利權(quán)）人: 溫州大學(xué)激光與光電智能制造研究院
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045;G06K9/00;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: 陳加利

1.一種汽車發(fā)電機(jī)軸承故障診斷方法，其特征在于包括以下步驟：

(1)采集4通道發(fā)電機(jī)軸承故障信號(hào)，利用改進(jìn)的固有時(shí)間尺度分解將4通道原始信號(hào)進(jìn)行分解：給定原始信號(hào)X(t)，改進(jìn)的固有時(shí)間尺度分解將其自適應(yīng)地分解為固有旋轉(zhuǎn)分量和單調(diào)趨勢(shì)項(xiàng)；

(2)信號(hào)重構(gòu)：將同一尺度的固有旋轉(zhuǎn)分量疊加并取均值，得到一組增強(qiáng)的固有旋轉(zhuǎn)分量，計(jì)算各重構(gòu)固有旋轉(zhuǎn)分量的自相關(guān)系數(shù)，選擇系數(shù)最大的分量；

(3)利用多分辨奇異值分解進(jìn)一步提取故障特征信號(hào)：將系數(shù)最大的分量構(gòu)造Hankel矩陣并進(jìn)行增強(qiáng)多分辨奇異值分解，得到相應(yīng)的近似信號(hào)和細(xì)節(jié)信號(hào)；

(4)診斷出軸承故障：對(duì)步驟(3)中獲得的故障特征最豐富的細(xì)節(jié)信號(hào)進(jìn)行Hilbert包絡(luò)譜分析，提取故障特征信息，從而診斷出軸承的故障類型；

步驟(1)中具體步驟如下：

第1步：尋找信號(hào){X_t,t≥0}的所有局部極值點(diǎn)X_k及其對(duì)應(yīng)的時(shí)刻τ_k(k＝1,2,...,M)，M是極值點(diǎn)總數(shù)，定義τ₀＝0；

第2步：定義LX_t＝L_t，HX_t＝H_t，在連續(xù)極值點(diǎn)區(qū)間[τ_k,τ_k+1]上定義分段的線性基線提取算子L：

式(1)中，

式(2)中，0＜α＜1；

第3步：用波形匹配延拓法對(duì)時(shí)間序列信號(hào)端點(diǎn)處理，得到兩端極點(diǎn)值(τ₀,X₀)，(τ_M+1,X_M+1)，令k分別為0和M-1，然后根據(jù)式(1)和(2)求出L₁和L_M的值，利用Akima插值法擬合所有的L_k，得到基線信號(hào)L₁(t)；

第4步：把基線信號(hào)從原始信號(hào)中分離出來(lái)，得到h₁(t)：

h₁(t)＝X(t)-L₁(t) (3)；

h₁(t)為一個(gè)固有旋轉(zhuǎn)分量，即h₁(t)＝PRC₁，若基線信號(hào)L_k+1≠0，把h₁(t)作為原始信號(hào)重復(fù)以上分離過(guò)程，直到L_k+1＝0，一共循環(huán)k次，最后一個(gè)PRC分量h_1k(t)＝PRC₁；

第5步：把PRC₁從原始信號(hào)中分離出來(lái)，得到一個(gè)殘余信號(hào)：

r₁(t)＝X_t-PRC₁ (4)；

將r₁(t)作為原始信號(hào)重復(fù)以上步驟，得到X_t的第二個(gè)PRC分量PRC₂；重復(fù)循環(huán)n-1次，直到r_n(t)為一個(gè)單調(diào)函數(shù)或一個(gè)常數(shù)，結(jié)束循環(huán)，得到第n個(gè)分量PRC_n，至此，原始信號(hào)X_t被分解為n個(gè)固有旋轉(zhuǎn)分量和1個(gè)趨勢(shì)項(xiàng)：

步驟(3)中提取故障特征信號(hào)的具體步驟如下：

記故障原始信號(hào)序列為X＝[x₁,x₂,...,x_n]，n為信號(hào)長(zhǎng)度，構(gòu)造矩陣A：

對(duì)矩陣A進(jìn)行奇異值分解，得到：

A＝σ₁₁u₁₁ν₁₁^T+σ₁₂u₁₂ν₁₂^T＝A₁+D₁ (7)

式(7)中，σ₁₁和σ₁₂為分解得到的奇異值，令σ₁₁為較大的奇異值，則與其相對(duì)應(yīng)的重構(gòu)子信號(hào)A₁為第一層近似信號(hào)，反應(yīng)原始信號(hào)的主體，那么，σ₁₂對(duì)應(yīng)的重構(gòu)子信號(hào)D₁為第一層細(xì)節(jié)信號(hào)，反應(yīng)原始信號(hào)的細(xì)節(jié)；

選取上述近似分量A₁構(gòu)造二分Hankel矩陣，進(jìn)行奇異值分解，得到第二組具有不同分辨率的近似信號(hào)和細(xì)節(jié)信號(hào)；

步驟(4)中，根據(jù)峭度準(zhǔn)則，選取故障特征最豐富的細(xì)節(jié)信號(hào)。