[發明專利]一種基于幅值特性奇異值分解的軸承故障診斷方法

在審

• 申請號: 202110958624.4
• 申請日: 2021-08-20
• 公開（公告）號: CN113865867A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 崔玲麗;孫夢昕;王華慶;姜宏
• 申請（專利權）人: 北京工業大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種基于幅值特性奇異值分解的軸承故障診斷方法，把故障頻率等的幅值特性作為奇異分量的選擇指標——故障包含度(FIC)。首先是原始信號的Hankel矩陣構造與SVD分解，其次利用所提指標FIC對分解所得的SCs進行信息評估，最后選出攜帶故障信息的SCs以重構降噪信號。軸承故障仿真信號與實驗信號的試驗結果表明：相比于傳統的差分奇異值分解方法(DS?SVD)，所提方法能選出故障信息量更大的奇異分量，且能在外界干擾下診斷出故障。新方法可用于信號降噪和故障弱特征的增強。

技術領域

本發明涉及一種軸承早期微弱故障診斷方法，特別涉及一種基于幅值特性奇異值分解的軸承故障診斷方法，該發明屬于故障診斷技術領域。

背景技術

軸承是機械結構中用于支撐和傳遞動力的重要部件。由于復雜工況和惡劣環境的影響，軸承也是旋轉機械中的易受損部件。一旦軸承發生故障，很可能引起整個機械結構的破壞，從而造成比較嚴重的后果。因此對軸承等關鍵零部件進行故障診斷有著重要意義。

滾動軸承作為旋轉機械的關鍵部件，其健康狀態會直接關系到機械設備和零部件儀器的運作情況，輕則影響機械或是零部件的正常工作，重則不僅會導致嚴重的經濟虧損，甚至于還會發生災難性人身安全事故。所以，軸承的運行狀態監測和故障識別尤為重要，其已逐漸成為研究的重點與熱點之一。

基于振動信號的分析方法是故障診斷中最有用且應用廣泛的方法，然而，設備運行過程中發生的各種各樣的故障會產生變化多樣的、特定的動態響應信號，此外，由于結構的相關性和設備的復雜性，測量獲取的振動信號通常復雜且非平穩，并且監測過程中故障特征常常淹沒于大量背景噪聲中，因此通過故障信號直接進行故障診斷非常困難。常見故障診斷系統包括特征提取、模式識別兩個關鍵步驟。而其中基于特征提取算法轉換數據輸入模式的方法最為常見，因為通過低維特征向量表示信號更容易實現后續的匹配和對比工作。

為了更好地對軸承故障信號去除噪聲和特征提取，對在過去的幾十年中，人們發展了多種信號處理技術，包括小波變換(WT)、經驗模態分解(EMD)、譜峭度(SK)、最小熵反褶積，以及隨機共振。蘇文勝等利用經驗模態分解(EMD)和譜峭度相結合的方法完成了故障診斷，但EMD的模態混疊現象嚴重。何群等將共振稀疏分解與最大相關峭度解卷積(MCKD)相結合來提取出齒輪故障特征，但MCKD濾波器長度的選取缺乏有效依據，降噪效果有待提高。ZHENG J等提出了一種改進的噪聲輔助方法—-—部分集成經驗模態分解(PEEMD)法，雖然該方法在一定程度上抑制了模態混疊現象，但存在按經驗選取加入噪聲的大小次數、缺乏自適應性等問題。LI H等提出了時變濾波經驗模態分解(TVFEMD)方法，該方法可緩解模態混疊問題，但需人為設置B樣條階數，存在盲目性。

其中的奇異值分解(SVD)方法由于不需要預先定義基函數，且能夠揭示隱藏在信號中的弱本征模式，抑制不同分布的噪聲，得到了很多關注。現有的基于SVD的降噪方法通常是基于找到合適的閾值來重建低秩矩陣以進行后續處理。也就是，先找到一個合適的閾值，再根據這個閾值來重建矩陣，進行后續處理。

Tufts等人首先提出了奇異值分解濾波器(SVDF)的概念，并將其應用于估計噪聲信號的有用分量。此后，SVD作為一種信號處理技術被廣泛應用于數據壓縮、人臉識別、特征提取、信號去噪、故障診斷等方面。