[发明专利]一种基于偏度最大化的滚动轴承故障特征的提取方法

说明书

本发明涉及的一种基于偏度最大化的滚动轴承故障特征的提取方法，它包括以下内容：采集滚动轴承的振动信号，执行信号偏度最大化过程之前，对信号进行标准化处理，通过后向自动微分解卷积最大化滤波信号的偏度值，求解滤波信号的包络谱，通过希尔伯特变换求得信号的包络，进一步通过傅里叶变换求得包络谱，最后提取故障特征频率特征。本发明消除机械系统传输对故障脉冲的衰减，最大限度地恢复由轴承零件缺陷激发的故障脉冲。

技术领域

本发明涉及旋转机械故障诊断技术领域，尤其涉及一种基于偏度最大化的滚动轴承故障特征的提取方法。

背景技术

滚动轴承是旋转机械故障率最高的零部件之一，滚动轴承由内圈、外圈、滚动体、保持架等零件组成，轴承运行过程中某个零件产生缺陷时，缺陷表面与其他零件表面接触将产生周期性的故障脉冲。故障周期的倒数为故障特征频率，不同零件的故障特征频率通常不同，可由滚动轴承的结构参数计算得到。滚动轴承的故障特征频率是指示滚动轴承故障类型和故障严重程度的重要特征。监测滚动轴承运行状态对预防整机故障发生、保障机器安全运行具有重要意义，然而故障激发的脉冲经过机械系统传输后衰减严重，加上环境噪声的干扰，原始信号的故障特征频率特征并不显著。

故障脉冲经过机械系统传输后大幅衰减，加上一定强度的环境噪声干扰，它们在振动传感器采集的信号中通常十分微弱，甚至完全不可见。微弱的时域故障脉冲导致包络谱中故障特征频率微弱甚至不可见，影响滚动轴承的故障诊断效果。

最小熵解卷积(Minimum Entropy Deconvolution,，MED)的最大化准则是峭度，最早用于抵消传输路径对地震动信号的衰减，后来Sawalhi等验证MED能有效增强旋转机械的故障脉冲特征，被广泛应用于滚动轴承故障特征提取。但是峭度对幅值较大的异常值敏感，这导致MED在很多情况下仅仅突出了一个或数个异常值而不是所有的故障脉冲。最大基尼系数解卷积(Maximum Gini IndexDeconvolution,MGID)将基尼系数作为最大化准则，基尼系数的计算过程涉及排序、求和等运算，这导致MGID的寻优过程变得十分困难，对故障脉冲的增强效果十分有限。

McDonald等定义了相关峭度(Correlated Kurtosis，CK)指标，并提出了最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution，MCKD)。CK是一个基于先验故障周期输入的指标。基于先验故障周期输入的指标还包括多点D范数指标，循环平稳性指标等。基于这些指标的盲解卷积算法对于滚动轴承故障样本能取得较好的特征提取效果，但是它们受先验故障周期的“引导”，极其容易将无故障的滚动轴承样本判定为与先验故障周期对应的故障类型，对滚动轴承健康状态产生错误判断。并且当实际的故障周期与理论值偏差较大时，这类算法的准确率不高。

发明内容

本发明的目的在于克服上述不足，提供一种基于偏度最大化的滚动轴承故障特征的提取方法，盲解卷积算法通过一定的准则构建一个最优的FIR滤波器对原始信号进行滤波，旨在消除机械系统传输对故障脉冲的衰减，最大限度地恢复由轴承零件缺陷激发的故障脉冲。

本发明的目的是这样实现的：

一种基于偏度最大化的滚动轴承故障特征的提取方法，它包括以下内容：

步骤一、采集滚动轴承的振动信号，

在目标轴承上所需位置布置传感器采集振动信号；

步骤二、标准化处理，

执行信号偏度最大化过程之前，对信号进行标准化处理；

步骤三、通过后向自动微分解卷积最大化滤波信号的偏度值；

步骤四、求解滤波信号的包络谱，

通过希尔伯特变换求得信号的包络，进一步通过傅里叶变换求得包络谱；

步骤五、提取故障特征频率特征，