[发明专利]基于CK指标一致的轴承瞬态冲击特征提取方法

说明书

本发明公开了一种基于CK指标一致的轴承瞬态冲击特征提取方法。首先采集信号，根据信号故障特征频率设定故障周期T的取值范围，采用考虑了瞬态冲击周期性发生的相关峭度(CK)选择最佳周期T进行最大相关峭度解卷积(MCKD)预处理。进一步设置可调品质因子小波变换(TQWT)品质因子Q的取值范围，将MCKD预处理后信号在不同Q值下进行TQWT分解，计算各重构分量的相关峭度值，得到不同品质因子下的各子带分量的相关峭度分布图。根据相关峭度最大原则选取最佳分量，对最佳分量进行包络谱分析，最后完成轴承故障诊断。实验室信号和疲劳试验数据分析表明本文所提方法能有效排除外界偶然性干扰冲击并降低信号传递路径和噪声的影响，保证了轴承故障诊断的有效性。

技术领域

本发明涉及一种基于CK指标一致的轴承瞬态冲击特征提取方法，属于滚动轴承故障诊断技术领域。

背景技术

滚动轴承广泛应用于机械、交通、航空航天等领域，是旋转机械的重要零部件之一。但由于工作环境恶劣，易发生故障，若未及时发现则可能引起严重后果。因此，准确判断滚动轴承健康状态尤其是诊断早期故障，对于提高机械设备的可靠性、可用性和保障设备安全运行至关重要。然而早期故障引起的冲击特征非常微弱，同时受传递路径、噪声和偶然性冲击干扰等因素的影响，早期故障诊断并非易事。传感器采集到的振动信号是轴承故障引起的冲击力与轴承和轴承座等构成的系统的传递函数卷积结果。考虑到轴承故障特征信号从冲击部位到传感器的传递路径影响，同时为了充分衡量信号中连续的周期性冲击成分，胡爱军等将谱峭度与最大相关峭度解卷积(MCKD)相结合，旨在得到周期性故障冲击信号。虽然MCKD的优化指标相关峭度(CK)可以考虑轴承故障冲击发生的周期性，但其主要缺陷在于存在其重要参数需人工预先设定，且参数的选择将会影响最终解卷积处理结果。近年来越来越多的学者开始研究将多种信号处理方法复合使用，以提高滚动轴承故障诊断效果。Shang等采用多点最优最小熵反褶积消除传递路径影响，进一步对信号进行改进经验小波变换，以时域峭度最大为指标选取IMF分量完成故障诊断。Su等利用经验模态分解(EMD)对原始信号进行分解，以互相关系数为优化指标选择最佳分量，进一步用Kurtogram进行共振滤波。Li等首先采用峭度为优化指标，首先对原始信号进行本征特征尺度分解(ICD)预处理，进一步根据特征频域比选择TQWT最佳分量进行分析。Ma等首先原始故障信号进行频率切片小波变换(FSWT)预处理，然后依据峭度最大指标采用改进的TQWT对预处理信号进行分解，对最佳分量进行故障分析。上述文献均以多种信号处理方法复合使用的方式进行滚动轴承故障诊断，虽然处理效果相比采用单一方法得到了提高，但仍存在一些问题。首先，涉及信号处理参数优化或分量选择时，大多优化指标易受偶然性干扰冲击影响，未考虑滚动轴承故障冲击特征周期性发生的特点；其次，复合诊断方法中预处理与后处理等步骤中的信号处理方法往往使用不同的优化指标，无法保证各步骤优化方向的一致性，从而影响诊断效果。

发明内容

在为了克服背景技术所述的滚动轴承周期性冲击特征易受高幅值偶然性冲击、传递路径以及背景噪声的影响，从而导致难以有效提取故障特征和复合诊断方法中预处理与后处理等步骤中的信号处理方法往往使用不同的优化指标，无法保证各步骤优化方向的一致性，从而影响诊断效果等问题。本发明提出了一种基于CK指标一致的轴承瞬态冲击特征提取方法。其中优化指标采用能够考虑轴承故障冲击周期发生特点的相关峭度CK，以有效消除偶然性干扰冲击影响。预处理阶段采用MCKD削弱信号传递路径影响，后处理阶段通过TQWT降低噪声干扰，最后通过TQWT最佳分量的包络谱分析实现滚动轴承故障诊断。

本发明的目的在于提供一种基于CK指标一致的轴承瞬态冲击特征提取方法，准确消除了偶然性干扰冲击、传输路径以及背景噪声等影响，保证了轴承故障诊断的准确性和有效性。

基于CK指标一致的轴承瞬态冲击特征提取方法，其具体步骤：