[发明专利]一种基于多特征参量的滚动轴承故障诊断方法

说明书

技术领域

本发明涉及机械故障诊断技术领域，尤其涉及一种基于多特征参量的滚动轴承故障诊断方法。

背景技术

振动诊断是复杂机电系统诊断的基本方法，振动测试手段及振动分析理论成熟，易于实现在线监测与诊断，是目前滚动轴承故障诊断中使用最广泛的方法之一。传统傅里叶变换作为平稳信号处理中最常用的分析工具，不适用于非线性、非平稳信号。为克服傅里叶变换的局限性，时频分析方法得到了快速发展。

短时傅里叶变换是最早提出的一种时频分析方法，但它是基于信号在时间窗内是平稳信号的假设，只适于分析一些缓变的非平稳信号。小波变换克服了短时傅里叶变换的时频窗大小固定不变的缺陷，采用可变时频窗的方法，使得在时域和频域都能得到较好的局部化性质。但是小波变换的结果依赖小波基函数的选择，对于不同的情况需要不断地调整小波基函数。然而在信号消噪领域，小波变换仍然是最常用的工具之一。经验模态分解(EMD)最早由美国国家宇航局的美籍华人Norden E.Huang于1996年提出，是一种自适应的高效的非线性、非平稳信号分析方法，在振动工程领域得到了广泛的研究和应用。

滚动轴承是一个复杂的非线性系统，BP神经网络能够实现这一复杂的非线性映射关系。经过学习训练的BP神经网络，具备对多参数、多特征信息的滚动轴承进行故障诊断的能力，可以用来对滚动轴承进行故障识别。目前人工神经网络在滚动轴承的故障诊断中得到了广泛的应用，虽然取得了良好的诊断效果，但是大多数都是将单一的特征参量作为神经网络的输入向量，无法全面地反映滚动轴承的故障状态，而且诊断的正确率还有待进一步提高。另外，对于滚动轴承特征参数的提取算法，目前常用的方法是振动信号经过小波或小波包变换后，提取分解所得信号的能量或能量熵，但是对于非线性、非稳态的滚动轴承振动信号，能量或能量熵无法更好的反映信号的本质。

发明内容

本发明解决的技术问题在于全面地反映滚动轴承的故障状态、提高诊断的准确率。

为了解决以上问题，一种基于多特征参量的滚动轴承故障诊断方法，包括以下步骤：

(1)对采集到的振动信号进行预处理，消除噪声及其它振动源的干扰；

(2)从振动信号中提取能够反映滚动轴承不同工况的时域统计参数；

(3)求出预处理后振动信号的包络信号，采用改进的经验模态分解方法对包络信号进行分解，得到一系列的固有模态函数；

(4)选取集中大部分能量的几个固有模态函数，计算能量矩；

(5)对分解得到的第一个固有模态函数进行包络谱分析，计算故障特征幅值比；

(6)将步骤(2)、(4)和(5)提取的多个特征参量作为BP神经网络的输入向量，由网络输出诊断结果。

其中：经验模态分解方法缩写为EMD；固有模态函数缩写为IMF。

进一步，作为一种优选，在所述的步骤(1)中，预处理方法采用小波消噪-盲源分离-小波消噪联合方法，去除噪声的同时也去除了其它振动源的影响。

进一步，作为一种优选，所述步骤(2)中的时域统计参数包括：峭度指标、峰值指标、裕度指标、脉冲指标和波形指标。

进一步，作为一种优选，所述步骤(3)中改进的经验模态分解方法采用了相关系数法。

进一步，作为一种优选，在所述步骤(4)中固有模态函数为前5个固有模态函数。

进一步，作为一种优选，在所述的步骤(5)中，求取第一个固有模态函数的包络谱，计算故障特征幅值比。

进一步，作为一种优选，在所述的步骤(6)中，BP神经网络的输入层节点个数为12个，分别为5个时域统计参数、5个固有模态函数能量矩以及2个故障特征幅值比；输出层节点个数为4个，对应正常、外圈故障、内圈故障及滚动体故障；隐含层节点个数为16个。

本发明有益效果在于，将多特征参量作为故障分类器的输入向量，与单一类型的特征参量相比，能够更好的反映滚动轴承的工作状况，得到更高的诊断正确率。

附图说明

当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，其中：

图1是滚动轴承故障诊断的流程图；

图2是具有外圈故障的滚动轴承的原始振动信号；

图3是经过预处理后的外圈故障信号；

图4是经过预处理后振动信号的包络信号；