[发明专利]一种基于拟合提升小波和高阶累积分析的轴承状态监测方法

说明书

技术领域

本发明属于轴承状态的监测技术领域，尤其涉及一种基于拟合提升小波和高阶累积分析的轴承状态监测方法。

背景技术

轴承是现代大型机电设备中最为常用的重要基础部件，也是最易发生故障的部件之一。为尽量避免因轴承故障造成的企业经济损失甚至人员伤亡事故，应用有效的方法和技术，对轴承运行状态进行监测和诊断，具有十分重要的意义。

工作生产现场的噪声环境以及轴承自身振动信号的非平稳特点，使得对轴承微弱特征的信息提取和运行状态的准确监测变得十分困难。大量运行状态数据的实时采集和分析，亦需考虑总体流程的复杂度和相应成本。对轴承振动信号首先进行三阶累积量计算和趋势分析，以预判结果作为判据，可避免对正常轴承状态信号的进一步精细分析，又可及时捕捉到轴承可能存在的故障隐患从而进行更精细的后续分析，有效优化了轴承运行状态监测的总体流程。构造多种各具不同特性的小波对信号进行分析并基于l^P范数实现对最优分解结果的选定，可更好地匹配轴承故障的微弱特征信息。工业背景噪声的混入和干扰，给特征信息的有效提取造成了很大的困难。根据最优分解树结构以及各层分解时对应的最优小波，对最底层的低频逼近信号作单支重构和Hilbert包络解调后，再进行1.5维谱分析，可在一定程度上滤除噪声，更利于特征信息的突显和提取。结合轴承的故障机理，可为轴承运行状态的监测和诊断提供有力的理论支持。

发明内容

本发明目的在于：通过提供一种基于拟合提升小波和高阶累积分析的轴承状态监测方法，从采集的含有背景噪声的轴承振动信号中有效提取出微弱特征信息，实现对轴承运行状态的准确判断，保证设备的正常平稳运行。

为实现上述目的，本发明是采用技术方案实现的：

一种基于拟合提升小波和高阶累积分析的轴承状态监测方法，通过分析轴承振动加速度信号来实现对轴承的故障诊断，包括以下步骤：

步骤1、对采集的轴承振动信号求取三阶累积量，并应用趋势分析对轴承状态进行预判，当预判轴承运行状态正常时，继续监测轴承的振动信号；当预判轴承可能存在故障隐患时，进行下一步的提升小波分析；

步骤2、应用构造的四种新小波依次对预判可能存在故障隐患的轴承的振动信号进行自适应冗余拟合提升小波分解；自适应算法为：每次均选用四种不同小波依次对信号进行分解，对应得到四组低频逼近信号和高频细节信号，依次对每组结果中的低频逼近信号和高频细节信号分别求取归一化l^P范数之后再求和；比较四个范数和，以最小者对应的低频逼近信号和高频细节信号作为此次分解的最优结果；对应小波作为此次分解的最优小波，逐层依次进行，直至达到所确定的分解层数。

步骤3、当按照确定的分解层数完成分解时，对最后一次分解后通过归一化l^P范数和所确定的最优低频逼近信号根据最优分解树结构作自适应单支重构，进而求取Hilbert解调包络谱后再进行1.5维谱分析，判定轴承的运行状态。

作为优选，步骤2中，基于数据拟合的最小二乘法和提升算法构造的四种不同新小波，具体为：

(1)wavelet1是由基函数φ₁(x)＝x^0.5·k·cos(0.01·k)和(M,N)为(4,3)的参数组合构造得到；

(2)wavelet2是由基函数φ₁(x)＝x^0.5·k·cos(0.01·k)和(M,N)为(8,7)的参数组合构造得到；

(3)wavelet3是由基函数φ₂(x)＝x^1.5·k·cos(0.01·k)和(M,N)为(4,3)的参数组合构造得到；

(4)wavelet4是由基函数φ₂(x)＝x^1.5·k·cos(0.01·k)和(M,N)为(8,7)的参数组合构造得到；

其中，M为样本点数，N为基函数维数。

作为优选，步骤2中，小波分解的层数确定如下：若轴承振动监测的分析频率为f_Analysis，轴承最大故障特征频率为f_Fault，则分解层数为log₂(f_Analysis/5·f_Fault)向下取整数。

作为优选，步骤2中，分解结果归一化l^P范数的计算公式为：