[发明专利]信号频域特征驱动车辆的关键旋转部件灰色故障诊断方法

说明书

本发明涉及机械设备信号处理的技术领域，尤其涉及一种信号频域特征驱动车辆的关键旋转部件灰色故障诊断方法。根据不同故障引起的振动信号频域特征各异的特点，运用调Q小波变换的频率响应对车辆旋转部件振动信号或其包络信号进行分析，构建以信号在不同频段各子带能量占比为元素的特征向量；针对灰色接近关联度在处理两组相交的序列时，存在的两序列变化趋势不同，但是原始累差小而导致关联度过大的问题，提出了灰色绝对接近关联度模型；在所构建的频域特征向量驱动下，计算其与标准模式的灰色绝对接近关联度对车辆关键旋转部件故障状态进行识别。该发明相比于其他的车辆关键旋转部件故障诊断方法，具备理论支撑、算法高效的优点。

技术领域

本发明涉及一种故障诊断方法，尤其涉及一种信号频域特征驱动车辆的关键旋转部件灰色故障诊断方法。

背景技术

故障诊断技术是提高机械设备有效性的关键技术，其通过对机械设备运行状态信息的检测、提取和识别，确定设备的健康状态。随着车辆在交通运输和工业生产中发挥越来越重要的作用，车辆的故障和损坏，尤其是其处于高速、高负荷的关键旋转部件故障可能会造成严重的灾难和损失。因此，对车辆关键旋转部件的故障诊断对车辆运行的可靠性和安全性起着至关重要的作用。然而目前的故障诊断方法，大多需要海量的实验数据，并且缺乏对振动响应的机理分析，对参数的调节也会对分类结果和精度产生较大的影响，对算力要求高，模型设计复杂等。因而，目前急需一种对样本的数量要求低，不要求数据具有典型的分布规律，而且算法简单，计算速度快的适用于小样本的故障诊断方法。

发明内容

本发明旨在解决上述缺陷，根据不同故障引起的振动信号频域特征各异的特点，运用调Q小波变换的频率响应对车辆旋转部件振动信号或其包络信号进行分析，构建以信号在不同频段各子带能量占比为元素的特征向量；针对灰色接近关联度在处理两组相交的序列时，存在的两序列变化趋势不同，但是原始累差小而导致关联度过大的问题，提出了灰色绝对接近关联度模型；在所构建的频域特征向量驱动下，计算其与标准模式的灰色绝对接近关联度对车辆关键旋转部件故障状态进行识别。提供一种信号频域特征驱动车辆的关键旋转部件灰色故障诊断方法。

为了克服背景技术中存在的缺陷，本发明解决其技术问题所采用的技术方案是：一种信号频域特征驱动的车辆关键旋转部件灰色故障诊断方法，其特征在于：所述方法包括以下步骤：

步骤1：采集车辆关键旋转部件不同运行状态下的振动信号。选取合适的调Q小波参数，对采集的振动信号或其包络进行频域响应分析，获得各频段下的子带信息。由于调Q小波变换的频率响应对信号的频带具有从粗到细的划分作用，且可通过调整相关参数实现对频带划分分辨率的调整。因此该步骤采用调Q小波变换将振动信号分解为各子带信号，实现信号频带的划分。

步骤2：计算各子带的能量，将各子带的能量占比作为元素，构建出可映射零部件健康状态的特征向量。接着将每种状态任取5个样本的能量占比分布均值作为标准模式，以此代表每种健康状态下的频域特征。

步骤3：将待识别样本构建出的特征向量输入到所提灰色绝对接近关联度模型中，计算待识别样本与步骤2得到的各标准模式之间的灰色绝对接近关联度。与待识别样本关联度最大的标准模式，即为待识别样本对于旋转部件所处的运行状态，以此实现车辆关键旋转部件的故障诊断。

所述步骤1包括：

步骤1：采用调Q小波变换对采集的振动信号或其包络进行频域响应分析，获得各频段下的子带信息。调Q小波变换是一种从频域滤波角度设计的小波变换方法，其依赖一组包含分解和重构滤波器的双通道滤波器组，通过迭代运算，从而实现信号的分解与重构。其中，低通和高通尺度因子α和β与调Q小波变换的重要参数品质因子Q、冗余因子r相关，可表示为

且参数α和β还需要满足以下条件：

0＜α＜1,0＜β≤1,α+β＞1 (2)

低通和高通滤波器的频率响应函数H₀(ω)和H₁(ω)分别为：