[發明專利]一種基于候選故障頻率的盲解卷積方法

在審

• 申請號: 202210893013.0
• 申請日: 2022-07-27
• 公開（公告）號: CN115422966A
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 程堯
• 申請（專利權）人: 西南交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F17/15
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 王玲玲

本發明公開了一種基于候選故障頻率的盲解卷積方法，屬于旋轉機械狀態監測與故障診斷領域。首先將實測信號分解到不同頻帶，得到一系列不同中心頻率和帶寬的窄帶信號；接著，基于窄帶信號平方包絡譜的局部特征識別可能與故障相關的候選故障頻率，進而利用候選故障頻率構造最優化目標函數；最后，采用迭代求解策略求解盲解卷積濾波器，實現軸承瞬態循環沖擊故障特征提取。相比于現有的解卷積方法，該方法充分挖掘了振動信號的時頻特性，能有效提取旋轉機械局部缺陷故障特征信息，適用于軸轉速信息缺失工況下的軸承故障診斷。

技術領域

本發明涉及旋轉機械結構健康監測領域，具體涉及一種基于候選故障頻率的盲解卷積方法。

背景技術

滾動軸承是現代工業系統中的及其精密的部件，其主要功能是將驅動軸和軸承座之間的滑動摩擦變成滾動摩擦，以確保機械系統的正常運轉。在復雜服役工況下，很容易誘發軸承局部損傷，影響機械裝備運行安全。當軸承損傷部件周期性經過負載區時可激起一系列的瞬態循環沖擊，但實測軸承振動信號成分十分部分，在強背景噪聲干擾下故障特征難以被識別。為此，如何從實測振動信號中提取微弱沖擊故障特征，是實現軸承早期故障診斷的關鍵。

盲解卷積是一種典型的軸承沖擊故障特征提取方法。該方法利用有限脈沖響應濾波器提取軸箱故障特征的方法，通常選取對故障脈沖敏感的指標作為最優化目標求解濾波器參數，實現信號中的沖擊特征提取。2012年發表于《Mechanical Systems and SignalProcessing》的論文《Maximum correlated Kurtosis deconvolution and applicationon gear tooth chip fault detection》通過最大化濾波信號的相關峭度，設計了一種迭代求解濾波器的策略，提出了最大相關峭度解卷積，可用于提取信號中的周期故障脈沖。2017年發表于《Mechanical Systems and Signal Processing》的論文《MultipointOptimal Minimum Entropy Deconvolutionand Convolution Fix:Application tovibration fault detection》將濾波信號的多點D-范數作為最優化目標，提出了多點D-范數盲解卷積。為改進濾波器求解策略，2018年發表在《Journal of Sound and Vibration》的論文《Application of an improved minimum entropy deconvolution method forrailway rolling element bearing fault diagnosis》基于廣義球面坐標變換與粒子群優化算法，提出了一種適用于各類盲解卷積方法的濾波器求解策略。上述方法均在時域內構造最優化目標函數求解濾波器，容易受到強背景噪聲的干擾。為提升解卷積方法的故障特征提取性能，2018年在《Journal of Sound and Vibration》上發表的論文《Blinddeconvolution based on cyclostationarity maximizationand its application tofault identification》首次將最優化目標函數從時域拓展到頻譜，依據旋轉機械故障特性的循環平穩性，以最大化濾波信號的二階循環平穩特征，提出了一種增強特定周期的瞬態沖擊的方法。上述方法在構造最優化目標函數時，均需要利用軸承故障周期信息，因此在軸承轉速信息缺少的情況下，上述方法將無法運用到軸承沖擊故障特征提取。為此，充分挖掘隱藏在振動信號中的特征，構造不依賴與故障周期信息的最優化目標函數，是拓展盲解卷積算法的應用場景，實現軸承轉速信息缺失下的微弱沖擊故障特征提取的關鍵。

發明內容

針對現有技術中的上述不足，本發明提供了一種基于候選故障頻率的盲解卷積方法。

為了達到上述發明目的，本發明采用的技術方案為：

一種基于候選故障頻率的盲解卷積方法，包括如下步驟：

S1、采集旋轉機械的振動加速度信號，并將振動加速度信號分解為不同中心頻率和帶寬的窄帶信號；