[发明专利]一种基于故障特征倍频能量判决的滚动轴承故障诊断方法

说明书

本发明公开了一种基于故障特征倍频能量判决的滚动轴承故障诊断方法，涉及滚动轴承故障诊断领域，适用于简单和复杂传递路径下轴承故障诊断，采用小波包分析方法对正常轴承和故障轴承振动信号进行分解；基于峭度值指标最大原则筛选出有效的Node分量并进行信号重构；对重构信号进行Hilbert包络解调分析；基于故障特征倍频能量判决的诊断；克服了涉及滚动轴承故障特征倍频能量判决的诊断问题，为航空发动机不分解状态下轴承故障诊断与状态监测提供方法指导。

技术领域

本发明涉及滚动轴承故障诊断领域，尤其涉及一种基于故障特征倍频能量判决的滚动轴承故障诊断方法。

背景技术

滚动轴承是各类旋转机械中最常用的零部件之一，是旋转机械的重要组成部分，起着承受载荷和传递载荷的重要作用，它的运行状态好坏直接关系到整个旋转机械系统的工作状态和运行安全，目前，旋转机械的故障中轴承的损坏故障约占百分之三十，轴承缺陷已被公认为是旋转机械故障的主要原因之一，轴承的故障诊断与状态监测是机械设备故障诊断技术的重要内容，据统计，2005至2018年期间，中国某型新机列装后累计发生因中介轴承损伤导致的发动机严重故障多达数十起，多次空中停车以及数起二等重大飞行事故或飞机迫降，直接经济损失达数十亿人民币，轴承故障诊断方法有很多，主要有振动检测、声发射检测、温度检测、润滑剂检测、间隙检测等，其中，振动检测能检测轴承的剥落、裂纹、磨损、烧伤，且适于早期检测和在线检测，因而，振动诊断法得到普遍应用，航空发动机轴承故障诊断主要也是从振动信号检测分析方面对轴承故障进行识别；

国内外学者针对滚动轴承故障振动信号具有脉冲性、非平稳性、非线性和强背景噪声的特点，国内外学者提出了短时傅里叶变换、小波变换、经验模态分解(empiricalmode decomposition，EMD)、随机共振(Stochastic Resonance，SR)、集成经验模态分解(ensemble empirical mode decomposition，EEMD)、样本熵、支持向量机，神经网络、遗传算法、小波包分解(wavelet packet decomposition，WPD)等信号处理方法对轴承故障特征进行提取，但不同的分析方法具有各自适用范围，但均未涉及滚动轴承故障特征倍频能量判决的诊断方法发明；

本发明以振动信号分析和处理为基础，以小波包分解与重构、峭度值指标、频谱分析、包络解调为预处理方式，提出基于故障轴承和正常轴承的特征倍频能量百分比的特征差异确定轴承故障的诊断方法，首先，将该方法应用在凯斯西储大学开展的简单传递路径下球轴承典型故障试验中，根据分析获取故障轴承和正常轴承特征倍频能量百分比的差异性来验证方法的有效性；继而，开展复杂传递路径的轴承故障试验，验证提出的方法是否适用于复杂传递路径下轴承故障诊断。本发明提出的方法适用于简单和复杂传递路径下轴承故障诊断，为航空发动机不分解状态下轴承故障诊断与状态监测提供一定的方法指导。

发明内容

为解决现有技术的不足，本发明提供一种基于故障特征倍频能量判决的滚动轴承故障诊断方法，适用于简单和复杂传递路径下轴承故障诊断，为解决航空发动机不分解状态下轴承故障诊断与状态监测，分为以下步骤：

步骤1：采用小波包分析方法对正常轴承和故障轴承振动信号进行分解；

小波基函数ψ(t)∈L²(R)，其傅里叶变换为若ψ(t)满足允许条件：

其按照伸缩因子a和平移因子b两个参数进行平移、伸缩后得到小波序列{ψ_b,a(t)}：

定义函数f(t)∈L₂(R)的连续小波变换(CWT)为：

式中＜,＞代表内积运算；*代表共轭运算；

对小波变换结果进行反变换，可恢复和重构原函数：