[發明專利]一種基于最小熵解卷積與隨機共振的機械故障診斷方法

在審

• 申請號: 202211258650.7
• 申請日: 2022-10-14
• 公開（公告）號: CN115655706A
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 文德剛;宋曉穎;張奇;楊田苓;楊秦敏;翁得魚;陳旭;曹偉偉
• 申請（專利權）人: 山東臨工工程機械有限公司;浙江大學
• 主分類號: G01M13/021
• 分類號: G01M13/021;G01M13/028;G06F17/11;G06F17/15;G06F17/16
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 吳昌榀

本發明涉及一種基于最小熵解卷積和隨機共振的機械故障診斷系統，包括：采集機械旋轉部件的振動數據，作為原始信號；將原始信號經過頻率縮放后輸入雙穩態隨機共振系統，以相關峭度作為指標函數，自適應調節系統參數，使系統輸出想要的信號，利用4階龍格庫塔算法求得非線性系統輸出的數值解，利用隨機共振現象放大原信號中的沖擊成分，得到降噪后的信號；將降噪后的信號再進行最小熵解卷積濾波，得到最小熵解卷積濾波信號；對經過最小熵解卷積濾波后的信號進行希爾伯特包絡譜分析，對機械旋轉部件進行故障診斷。本發明可以在未知信號故障頻率的條件下通過設計相應指標自主提取出故障信號的頻率，實現準確的故障診斷與定位。

技術領域

本發明屬于軸承智能故障診斷領域，具體提供一種基于最小熵解卷積與隨機共振的機械故障診斷方法，此系統無需知道原信號的故障特征頻率，能夠通過給定指標和特征提取技術自適應的診斷系統故障。

背景技術

機械系統在工業化中具有不可或缺的作用，其中，旋轉機械設備更是占到了大多數，旋轉機械設備中的關鍵在于齒輪箱，由于工業環境惡劣以及其封閉的工作環境，使得齒輪箱保養困難，因此旋轉機械設備中的齒輪箱經常發生各種各樣的故障，并且每一次故障都可能造成不可或缺的金錢和生產力損失。在所謂的第四次工業革命、未來工廠、工業物聯網時代，工業機械系統不斷智能化、復雜化。因此，研究和開發數據驅動的方法和狀態監測技術，能夠實現快速、可靠和高質量的自動診斷是十分必要的。能夠對齒輪箱早期故障進行準確預警，避免發生重大工業事故，工作人員可以做到及時進行維修，這對工業生產來說具有十分重大的意義。

隨機共振(Stochastic resonance,SR)作為一種能夠從振動信號中提取微弱信號特征的非線性信號處理方法，以其利用噪聲增強微弱信號而不是消除噪聲的獨特優勢在機械故障診斷領域得到了廣泛的研究。

最小熵解卷積算法(MED)最初由R.A.Wiggens于1978年提出，并將其作為一種迭代算法最大化濾波輸出信號的峭度值應用于地震數據檢測，峭度值是一種可以衡量信號沖擊成分的指標。1984年，C.A.Cabrelli提出了一種峭度等價指標，稱為D-norm，解決了最小熵解卷積算法只能迭代求解的問題，稱為最優最小熵解卷積(OMED)。為了解決峭度指標只能提取出單個脈沖的缺點，2012年，一種新的最優最小熵解卷積算法作為一種迭代算法被提出，最大相關峭度解卷積(MCKD)，此方法可以同時提取出多個脈沖，但需要直到信號的故障特征頻率作為先驗，并且濾波器長度，故障周期等參數需要選擇，使得該方法的應用得到了限制。2016年，Geoff L.McDonald改進了D-norm指標，提出了多點最優最小熵解卷積(MOMED)，并且提出了一種調整卷積算法，克服了原始卷積計算的不連續性。

本發明結合了隨機共振和最小熵解卷積算法，利用隨機共振增強低頻信號的能力來增強低頻沖擊信號，將脈沖增強后的信號經過最小熵解卷積和包絡譜提取特征，改善了最小熵解卷積提取脈沖的能力，增強了故障提取能力。

發明內容

基于上述問題背景，本發明提供了一種基于最小熵解卷積與隨機共振的機械故障診斷方法，具體就是，利用隨機共振現象可以放大信號低頻成分的特點，將原信號首先經過隨機共振系統進行低頻沖擊信號放大，并且抑制高頻部分，將沖擊增強后的信號再經過最小熵解卷積進行特征提取，實現準確的故障診斷。

本發明的具體技術方案是：

S1、利用加速度傳感器采集工程機械車輛的齒輪箱振動數據，作為原始信號；

S2、將原始信號經過頻率縮放后經過雙穩態(Bistable)非線性系統，也就是雙穩態隨機共振系統，以相關峭度(Correlation Kurtosis，CK)作為指標函數，自適應調節系統參數，使系統輸出想要的信號，利用4階龍格庫塔(Runge-Kutta)算法求得非線性系統輸出的數值解，利用隨機共振(Stochastic Resonance，SR)現象放大原信號中的沖擊成分，得到降噪后的信號；