[发明专利]一种提升故障特征信号的方法、装置、介质及设备

说明书

本发明提供一种提升故障特征信号的方法、装置、介质及设备，方法包括：利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；获取最优嵌入维数对应的目标Hankel矩阵中的高维振动信号；利用稳态子空间算法将高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；基于初始非平稳态信号的峭度值提取目标非平稳态信号；确定目标非平稳态信号1.5维三阶能量谱；如此，利用稳态子空间算法从高维振动信号中分解出振动信号的平稳部分和非平稳部分，提取故障信号；基于峭度值提取最优的目标非平稳态信号；确定目标非平稳态信号1.5维三阶能量谱，可抑制最优故障特征信号中的残余噪声，提升故障特性。

技术领域

本发明属于海洋船舶故障诊断技术领域，尤其涉及一种提升故障特征信号的方法、装置、介质及设备。

背景技术

滚动轴承作为机械能传输的关键零部件，在海洋船舶等机械设备中的使用较为频繁，由于长时间运转、润滑油使用不当、轴承自身疲劳破损等原因，轴承发生故障的频率较高。滚动轴承发生故障时，典型的特征是产生冲击，在振动信号中的体现最为明显。然而，由于设备的结构复杂，元器件较多，当冲击信号从故障源开始，经过复杂的路径传递，信号往往存在一定程度的减弱，同时，设备中的其它元件之间存在激励现象，加上工作环境中噪声的干扰，因此采集到的信号中往往故障特征信号很微弱，甚至被淹没。因此，在针对滚动轴承故障诊断的众多研究中，去除振动信号中的背景噪声、进而提升故障特征是非常重要的一项工作。

相关技术中，一般包括以中心频率和频带为基础的滤波方法以及以信号分解为基础的滤波方法，比如采用经验模态分解(EMD)。但是以中心频率和频带为基础的滤波方法，在提取不同场景中的故障特征时，均需要重新确定出最佳的中心频率和边带，因此如何选取最佳的中心频率和边带，是这类方法的一大缺点，参数选取的合适与否会对故障特征提升的精度带来很大的影响。而信号分解为基础的滤波方法存在一些如模态混叠，端点效应，参数复杂，运算时间长等缺点，同时在噪声特别强烈的情况下，故障特征提升的效果也往往不太好。

发明内容

针对现有技术存在的问题，本发明实施例提供了一种提升故障特征信号的方法、装置、介质及设备，用于解决现有技术中在确定滚动轴承的故障信号时，不能有效去除背景噪声，无法确保故障特征信号的提升精度的技术问题。

本发明的第一方面，提供一种提升故障特征信号的方法，所述方法包括：

利用自确定矩阵重构算法，基于滚动轴承的一维振动信号创建不同维数的初始Hankel矩阵；

确定最优嵌入维数，获取所述最优嵌入维数对应的目标Hankel矩阵以及所述目标Hankel矩阵中的高维振动信号；

利用稳态子空间算法将所述高维振动信号分解为平稳态振动信号及初始非平稳态振动信号；

获取所述初始非平稳态信号的峭度值，基于所述峭度值从所述初始非平稳态信号中提取目标非平稳态信号；所述目标非平稳态信号包含有最优故障特征信号；

确定所述目标非平稳态信号的1.5维三阶能量谱，以抑制所述最优故障特征信号中的残余噪声。

上述方案中，所述确定最优嵌入维数，包括：

针对当前维数为d的初始Hankel矩阵，确定d维初始Hankel矩阵的第一综合距离变化量；所述当前维数初始Hankel矩阵为所有初始Hankel矩阵中的任一矩阵；

确定d+1维初始Hankel矩阵的第二综合距离变化量；

确定所述第一综合距离变化量与所述第二综合距离变化量之间的综合值变化量；

若确定所述综合值变化量小于预设的阈值，则确定所述当前维数d为最优嵌入维数。

上述方案中，所述确定d维初始Hankel矩阵的第一综合距离变化量，包括：