[发明专利]滚动轴承微弱故障信号特征的提取方法及设备

说明书

本发明公开了一种滚动轴承早期微弱故障状态下信号特征的提取方法及设备。该方法包括：首先获取滚动轴承振动信号，对采集的振动信号进行连续小波变换得到时频图；然后，对时频图上每个频率对应小波系数进行自相关运算，滤除噪声干扰并提取出周期性的故障成分；最后，利用Hilbert变换进行包络解调，再进行傅里叶变换求得包络的功率谱，得到故障特征频率。本发明的信号特征提取方法能够对滚动轴承早期故障中微弱的周期性冲击成分进行有效提取，从而为机器的状态监测和故障诊断工作提供关键支撑。

技术领域

本发明属于机械设备信号处理领域，具体涉及一种滚动轴承微弱故障信号的特征提取方法及设备。

背景技术

滚动轴承是旋转机械中应用最广泛最关键的零件之一，它的运行状态往往决定了整机的性能，任何轻微故障都会对机器运行稳定性产生很大影响。而滚动轴承在运转过程中又容易损坏，若能在故障早期阶段提取出轴承微弱的故障信号，对信号进行分析处理并及时给出准确的诊断结果，可以使得维修人员能够针对故障制定有效且合理的维修计划，从而延长机器寿命，极大地降低故障所带来的危害。

滚动轴承出现局部损伤时，每当滚动体和滚道在损伤部位接触，便会产生一个冲击并激起系统结构自身的高频振动，这个周期性的冲击就是故障诊断的重要特征。现有的分析方法主要利用离散小波或小波包、经验模态分解和希尔伯特-黄变换等方法，分解为从高频到低频的不同分量，利用相关系数、峭度或熵等多种特征对分量进行筛选，在选取分量上提取故障特征从而确定故障类别。然而在轴承的早期故障期间，特别是微弱的故障诊断中，轴承的局部缺陷和损伤很小，所引起的冲击振动非常微弱，在不同频带分量上提取到的故障特征容易被转频和机器运行的各种噪声掩盖，而且离散小波或小波包变换以及经验模态分解等频带划分方法离散间隔太大过于粗糙，也会影响故障特征的提取，在早期的微弱故障诊断中难以取得理想的效果。

发明内容

发明目的：为了克服现有技术的不足，本发明提出一种基于改进的连续小波时频图的滚动轴承微弱故障信号特征提取方法，能够对早期轴承故障中微弱的周期性冲击成分进行有效提取，从而有助于快速准确的故障识别分类。

本发明的另一目的在于提供一种相应的滚动轴承微弱故障信号特征提取设备。

技术方案：为了实现以上目的，本发明所述的滚动轴承微弱故障信号特征提取方法包括以下步骤：

(1)获取滚动轴承的振动信号；

(2)对振动信号进行连续小波分解，得到连续小波时频图；

(3)对小波系数进行自相关运算，滤除噪声干扰；

(4)提取小波系数经过自相关运算得到的自相关函数的包络特征并进行包络谱分析，得到故障特征频率。

优选的，上述各步骤具体为：

(1)通过传感器和/或麦克风采集/获取滚动轴承的振动信号；

(2)利用Morlet连续小波变换对获取的滚动轴承振动信号进行分解，得到连续小波时频图；

(3)对时频图上每个频率对应的小波系数进行自相关运算，滤除噪声干扰并提取出周期性的故障冲击成分；

(4)在每个频率上对步骤(3)得到的自相关函数进行Hilbert变换，求得自相关函数的包络，对包络再进行傅里叶变换求得包络的功率谱，得到改进的小波时频图。

其中，上述步骤(2)中连续小波时频图的计算公式为：

其中，CWT_x(a,b)表示连续小波变换时频图；x(t)为采集的振动信号；a为尺度因子，表示与频率相关的伸缩；b为平移因子；ψ(t)表示基小波，是基小波经过位移和伸缩产生的族函数，称为小波基函数，t表示时间。基小波选用Morlet小波，其形式为：