[发明专利]一种滚动轴承早期故障特征提取方法

说明书

技术领域

本发明涉及滚动轴承故障诊断方法，尤其设计一种基于l₁范数最小化算法的滚动轴承早期故障特征提取方法。

背景技术

滚动轴承是机械设备中应用最广泛的零件之一，也是旋转机械易损件之一。滚动轴承在使用过程中总会经历正常、早期微弱故障、严重故障到失效的过程。严重故障阶段意味着滚动轴承的故障已经发展到中晚期，故障特征明显且容易提取；早期微弱故障阶段的特征提取相对来说比较困难，因为早期阶段故障特征微弱，且其他运动部件的信息以及环境干扰也会被引入到轴承系统形成背景噪声，从而使得轴承的早期故障难以监测和诊断。

针对滚动轴承发生故障时所具有的非平稳特征，国内外学者对滚动轴承早期故障特征提取方法进行了大量的研究。目前主要有小波变换、经验模态分解和Hilbert变换等非平稳信号分析方法在滚动轴承故障诊断中有广泛应用。

国内涉及信号稀疏表示的故障诊断的发明专利有“一种基于稀疏分解的风力发电机组故障特征提取方法”(201310471280.X)，是基于形态成分分析原理用不同的稀疏表达字典将信号分解为谐波、冲击以及噪声三个成分，其中采用离散余弦变换字典提取谐波成分，采用离散小波变换字典提取冲击成分，使得原本难以发现的故障特征凸显出来。发明专利“一种基于复合Q因子基算法的轴承故障诊断方法”(201210515071.6)是利用复合Q因子的小波变换产生相应的高Q因子基及低Q因子基，将原始信号在复合Q因子基上进行分解，利用相应的Q因子基提取出故障冲击信号成分。目前已有的基于稀疏表示的故障诊断方法，都是基于故障信号在给定的字典变换下系数是稀疏的先验条件，所以诊断结果的准确性很大程度上依赖于字典选择是否合适。若字典选择不合适将直接影响稀疏表示的结果，从而导致故障诊断结果的不准确。

发明内容

本发明基于上述技术问题，提出了一种滚动轴承早期故障特征提取方法，利用滚动轴承故障信号本身具有稀疏性的先验知识，而不需基于故障信号在字典变换下系数的稀疏性，构造了l₁范数最小化问题，通过求解该最小化问题获得分析信号中的周期冲击成分。

本发明的技术方案如下：

一种滚动轴承早期故障特征提取方法，包括如下步骤：

步骤(1)采集滚动轴承加速度信号作为待分析信号；

步骤(2)利用待分析信号中的周期冲击成分具有的稀疏性先验知识，建立其l₁范数最小化问题并求解得到待分析信号中的周期冲击成分；

步骤(3)对周期冲击成分进行包络解调分析得到故障特征频率。

进一步地，所述步骤(2)建立待分析信号的l₁范数最小化问题如下：

x=argminx{F(x)=12||H(y-x)||22+λ||Wx||1}]]>

其中，x为待分析信号中的周期冲击成；y为待分析信号；H为高通滤波器；λ为正则化参数；W为加权系数。

所述高通滤波器H为零相位非因果二阶巴特沃兹高通滤波器；具体设计如下：

差分方程描述为：

a₁y(n+1)+a₀y(n)+a₁y(n-1)＝-x(n+1)+2x(n)-x(n-1)

高通滤波器H如下形式：

H＝BA^-1