[发明专利]一种基于广义极值形态滤波的机械故障检测方法

说明书

技术领域

本发明专利涉及一种基于广义极值形态滤波的机械故障检测方法，通过振动信号监测提取、分离故障特征信息，属于机械设备状态监测及故障诊断技术领域。

背景技术

工业现场中复杂的机械结构和多干扰源使得传感器接收到的观测信号往往是一个复杂混合过程的结果，待识别故障源信号与其他各种信号混杂在一起。因此，需要抑制这些干扰或噪声，以期准确的提取机械故障信号进行诊断。现场拾取的观测信号表现出典型的非平稳性及高频调制特性，而形态滤波作为一种非线性滤波技术，可以有效的提高信号的边缘轮廓、形态特征及抑制背景噪声。经对现有形态滤波技术在机械故障诊断领域应用相关文献检索发现，沈长青等在《振动与冲击》（2013年32卷第2期）上发表的“基于EEMD和改进形态滤波方法的轴承故障诊断研究”，该文为了同时去除信号中正、负两种噪声，通常采用形态开、形态闭的级联形式，MARAGOS采用相同尺寸的结构元素，通过不同顺序级联开、闭运算，定义了形态开-闭和闭-开滤波器：                                                和，公式中和分别表示形态开和形态闭运算，为了抑制统计偏倚，通常采用形态开-闭(OC)和闭-开(CO)平均组合滤波器：。

该方法采用单一结构元素对信号进行降噪，而相同尺寸的结构元素将导致滤波器输出的严重偏倚，因为形态开闭滤波器进行开运算在去除正脉冲的同时增强了负脉冲噪声，开-闭滤波器使用相同尺寸结构元素闭运算不能滤除增强了的负脉冲噪声，同理闭-开滤波器也不能滤除全部的正脉冲噪声。

并且实际工业现场信号往往存在多种类型噪声信号，噪声通常是随机信号，所以很有必要采用多尺度多结构元素对信号中的不同类型噪声信号进行滤波处理。

其次，现场测试时传感器个数有限，而机械声源数目众多加之复合故障的存在，造成很多测试仅仅满足观测信号数目小于故障源数目的欠定条件。需要抑制这些干扰和噪声，往往需要在欠定条件下提取机械故障特征，从而进行故障诊断。

此外，现有的SCA算法大多是在源数目已知的情况下通过混合矩阵估计源信号，然而工业现场背景噪声强、干扰源多，致使在实际测试过程中故障源数目事先并不清楚。针对以上存在问题，提出了一种基于广义极值形态滤波的机械故障检测方法。

发明内容

本发明提出了一种在欠定条件下从机械振动信号中提取转动型机械部件（如轴承、齿轮等）复合故障的检测方法，可在未知源数目个数且传感器数目小于故障源数目的情况下，利用机械振动信号进行故障特征提取及诊断。

本发明的方案是：首先均值化处理观测振动信号；计算信号的局部极大值极小值，确定结构元素的高度H_L和长度K_L集合；将计算的H_L和K_L代入三角和半圆结构元素公式，构造结构元素集合和；通过和构造多结构广义开-闭极大和闭-开极小组合形态滤波器(GOCMax-GCOMin-CMF)；随后进行滤波处理；接着使用多维字空间聚类方法估计源数目个数及混合矩阵，进而运用加权最小化范数理论优化算法求取解调源信号；最终实现在欠定条件下对轴承复合故障的盲提取，将复合故障信号彻底分离开来，最终分析分离信号的包络解调谱，锁定轴承故障类型。

本发明的具体步骤包括如下：

（1）把加速度传感器安装在机械设备的壳体表面，拾取机械振动的观测信号；

（2）均值化处理步骤（1）中检测到的振动信号得到信号，根据极值的定义计算信号的局部极大值和极小值，根据信号相邻峰值间隔的最大值和最小值确定三角和半圆结构元素的长度K_L集合，根据信号峰值的最大值和最小值确定三角和半圆结构元素的高度H_L集合；

（3）将步骤（2）中得到的集合H_L和集合K_L代入三角和半圆结构元素公式，构造三角元素集合和半圆结构元素集合；

（4）通过步骤（3）中得到的三角元素集合和半圆结构元素集合构造多结构广义开-闭极大和闭-开极小组合形态滤波器，具体步骤如下：设，为步骤（1）中检测到的振动信号经均值化处理后的信号，将和分别代入公式和，公式中和分别表示形态开和形态闭运算，然后将和代入，得到的即为改进的多结构广义开-闭极大和闭-开极小组合形态滤波器；

（5）用步骤（4）得到的多结构广义开-闭极大和闭-开极小组合形态滤波器对均值化处理结果进行滤波处理得到；

（6）采用滤波信号估计多维子空间，接着通过子空间估计混合矩阵；