[发明专利]一种基于零空间微分算子和盲源分离的轴承复合故障诊断方法

说明书

技术领域

本发明涉及一种轴承复合故障诊断方法，尤其涉及一种基于零空间微分算子和盲源分离的轴承复合故障诊断方法，属于轴承故障诊断技术领域。

背景技术

轴承是旋转机械中应用最为广泛的零部件之一，对其运转状态的检测和故障诊断具有很重要的意义。轴承的故障振动信号是一类典型的非平稳信号且含有大量噪声等干扰信号，对其分析处理是一类复杂的非线性问题，具有相当的难度，尤其当滚动轴承发生复合故障时，不同故障间的相互影响、干扰，多种故障特征叠加在一起使得故障特征复杂化给准确的故障诊断带来极大的困难，工程实际中所接触的信号往往也是此类信号，所以此类信号的研究对于工程应用具有极其重要的意义。

信号的分析方法中，最基本的方法包括时域分析和频域分析。时域分析最简单且直观，而频域分析能更好地反映信号内涵的信息。然而对于复杂的非平稳信号而言，单纯的时域分析或频域分析都不能完整刻画信号富含的特征信息。因此时频分析方法应运而生。典型的时频分析方法有短时傅里叶变化、Wigner-Ville分布、小波变换、EMD分解等，但一般的时频分析方法由于其分解基函数的单一导致缺乏一定的自适应性。

一种基于窄带信号和算子理论的自适应信号分解算法，该算法经过不断的改进最终被命名为零空间追踪算法(NSP)。NSP算法的核心思想是局部窄带信号在奇异局部线性算子作用下“消失”，因此，可以通过奇异局部线性微分算子来抽取待分析信号的局部窄带分量，并将得到的局部窄带信号作为单元信号，用其叠加来逼近原始信号，进而实现信号的自适应分解。NSP算法具有很好的鲁棒性和自适应性，在图像处理领域取得了很好的应用，但是在机械故障诊断领域的应用还较为罕见。

近些年来将盲源分离算法应用到机械故障诊断领域并取得了一定的进展，但是现有的盲源分离算法存在着一定的不足，其中最主要的体现便是盲源分离算法必须在观测信号数目大于源信号的数目的前提下才能有效的分离信号，而这在工程实际中难以满足，当采集的轴承故障信号数目少于故障源信号的数目时无法利用盲源分离算法分离轴承的复合故障。

发明内容

本发明的目的在于为了解决轴承复合故障特征提取及传统的盲源分离算法在轴承复合故障诊断中的上述技术问题，本方法结合零空间追踪算法与盲源分离算法各自的优点提供了一种基于零空间微分算子和盲源分离的轴承复合故障诊断方法。

为实现上述目的，本发明采用的技术方案为一种基于零空间微分算子和盲源分离的轴承复合故障诊断方法，该方法包括依据故障振动模型利用Matlab编程构造相应的零空间微分算子，利用基于轴承故障特征的零空间微分算子对待分析的轴承复合故障信号进行分解，将分解得到的窄带信号与轴承复合故障信号看作一组观测信号进行盲源分离，对分离后信号进行解调分析得到故障特征。

其中用到的轴承故障振动模型是依据轴承的故障机理建立起来的。根据轴承故障机理轴承的故障振动模型可近似看作质量-弹簧-阻尼系统，为周期性的指数衰减函数：

x(t)=Σ-∞+∞ke-ntcosωtδ(t-kT0)]]>

其中，可以认为指数衰减函数为轴承故障振动模型的基本分量即：

y(t)＝ke^-ntcos(ωt)

由动力学易知上式为二阶微分方程y″+2ny'+ω²y＝0的近似解，即y(t)＝ke^-ntcos(ωt)处在二阶微分算子y″+2ny'+ω²y＝0的零空间内。