[發(fā)明專利]一種強(qiáng)噪聲環(huán)境下的滾動(dòng)軸承智能故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210210337.X
• 申請(qǐng)日: 2022-03-04
• 公開（公告）號(hào): CN114705427A
• 公開（公告）日: 2022-07-05
• 發(fā)明（設(shè)計(jì)）人: 任海軍;韋沖;沈力;李琦;丁顯飛;羅亮;譚志強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045;G06F30/27
• 代理公司: 重慶市恒信知識(shí)產(chǎn)權(quán)代理有限公司 50102
• 代理人: 李金蓉

1.一種強(qiáng)噪聲環(huán)境下的滾動(dòng)軸承智能故障診斷方法，其特征在于，包括以下步驟：

首先，通過改進(jìn)的小波閾值降噪算法對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行降噪；

然后，采用改進(jìn)的經(jīng)驗(yàn)小波變換對(duì)多分量信號(hào)分解得到若干個(gè)單分量信號(hào)，再對(duì)每個(gè)單分量信號(hào)進(jìn)行解調(diào)，進(jìn)而得到原始信號(hào)完整時(shí)頻分布的二維時(shí)頻圖；

最后，建立卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別模型，以二維時(shí)頻圖作為輸入進(jìn)行分類識(shí)別，輸出分類結(jié)果。

2.根據(jù)權(quán)利要求1所述一種強(qiáng)噪聲環(huán)境下的滾動(dòng)軸承智能故障診斷方法，其特征在于：所述改進(jìn)的小波閾值降噪算法包括以下步驟：

1)小波分解：

其中，i表示分解的層數(shù)，N表示采樣點(diǎn)數(shù)，c_i為低頻小波系數(shù)，h_j為低通濾波器，ω_i為高頻小波系數(shù)，g_j為高通濾波器，i＝0時(shí)，c₀和d₀是原始信號(hào)，j表示濾波器的尺度度量空間，不同的值代表不同的度量空間；

2)閾值函數(shù)選取：

其中，ω_λ表示去噪后的小波系數(shù)，ω表示信號(hào)閾值處理前的小波系數(shù)，λ表示閾值，sign(·)表示符號(hào)函數(shù)。

3)小波重構(gòu)：

其中，c_i-1為i-1層的低頻小波系數(shù)。

3.根據(jù)權(quán)利要求1所述一種強(qiáng)噪聲環(huán)境下的滾動(dòng)軸承智能故障診斷方法，其特征在于：所述改進(jìn)的經(jīng)驗(yàn)小波變換對(duì)多分量信號(hào)分解得到若干個(gè)單分量信號(hào)具體包括以下步驟：

步驟1：對(duì)多分量信號(hào)f(t)進(jìn)行傅里葉變換，得到頻譜F(ω)，并將其歸一化到[0,π]區(qū)間；

步驟2：若F(ω)含有全局趨勢(shì)項(xiàng)，采用多項(xiàng)式擬合的方法對(duì)其去趨勢(shì)項(xiàng)處理；

步驟3：采用高斯濾波對(duì)F(ω)進(jìn)行正則化處理；

步驟4：依據(jù)F(ω)預(yù)設(shè)初始邊界集合M為模態(tài)個(gè)數(shù)；

步驟5：采用ε鄰域法自適應(yīng)搜索邊界，得到邊界集合：其中，ω₀＝0，ω_M＝π；

步驟6：定義小波緊框架B：

其中，表示經(jīng)驗(yàn)尺度函數(shù)，ψ_m(ω)表示經(jīng)驗(yàn)小波函數(shù)，m表示第m個(gè)邊界點(diǎn)；

即對(duì)任意m＞0，定義經(jīng)驗(yàn)尺度函數(shù)和經(jīng)驗(yàn)小波ψ_m(ω)分別為：

其中，信號(hào)過渡階段的寬度τ_m與信號(hào)頻率ω_m成正比，即τ_m＝γω_m，0＜γ＜1，β是一個(gè)一元四次方程；

步驟7：將信號(hào)與經(jīng)驗(yàn)小波做內(nèi)積得到經(jīng)驗(yàn)小波變換系數(shù)，將信號(hào)與尺度函數(shù)做內(nèi)積得到逼近系數(shù)，進(jìn)而得到原始信號(hào)的各階模態(tài)。

4.根據(jù)權(quán)利要求3所述一種強(qiáng)噪聲環(huán)境下的滾動(dòng)軸承智能故障診斷方法，其特征在于：所述ε鄰域法包括：首先比較第m-1和m個(gè)初始頻帶區(qū)間的長(zhǎng)度；其次，再將最新區(qū)間的長(zhǎng)度減半，并令ε_m等于該長(zhǎng)度，ε_m為區(qū)間的長(zhǎng)度；最后，在每一個(gè)鄰域內(nèi)尋找兩個(gè)局部最大值，再尋找每個(gè)區(qū)間的全局最小值，定義第m個(gè)自適應(yīng)的邊界點(diǎn)為返回的最小值。

5.根據(jù)權(quán)利要求1或3或4所述一種強(qiáng)噪聲環(huán)境下的滾動(dòng)軸承智能故障診斷方法，其特征在于：所述對(duì)每個(gè)單分量信號(hào)進(jìn)行解調(diào)估計(jì)得到每一個(gè)單分量信號(hào)的瞬時(shí)相位和瞬時(shí)頻率。

6.根據(jù)權(quán)利要求5所述一種強(qiáng)噪聲環(huán)境下的滾動(dòng)軸承智能故障診斷方法，其特征在于：所述瞬時(shí)相位定義為相位角，瞬時(shí)頻率定義為相位角的旋轉(zhuǎn)速度，定義F₁(x)為IMF分量h(x)與包絡(luò)函數(shù)q(x)的比值，F(xiàn)₂(x)為IMF導(dǎo)數(shù)h'(x)與包絡(luò)函數(shù)r(x)的比值，其中x為IMF的自變量，所述瞬時(shí)相位為

所述瞬時(shí)頻率為