[发明专利]一种基于自适应噪声变换和随机共振的机械故障诊断方法

说明书

本发明涉及一种基于自适应噪声变换和随机共振的机械故障诊断方法。包括：S1、利用加速度传感器采集旋转部件的振动数据，作为原始信号；S2、将原始信号经过离散小波变换，对分解后的信号进行重分布，分解层数和重分布系数待定，再重构得到包含粉红噪声的新信号；S3、通过人工蜂群算法对S2中的分解层数和重分布系数进行寻优，寻优目标为加权谱峭度。S4、将重构后的信号输入标准化后的双稳态随机共振系统，得到去噪后的信号。S5、对最终得到的信号进行包络谱分析，将包络谱峰值频率和计算出的理论故障特征频率进行比较，进行故障诊断。本发明通过利用一种新定义的指标来自适应改变噪声分布和随机共振增强信号准确进行故障诊断。

技术领域

本发明属于机械旋转部件智能故障诊断领域，具体提供一种基于自适应噪声变换和随机共振的机械故障诊断方法，此系统通过对输入信号中的噪声进行分布变换，得到最利于随机共振系统的噪声分布，然后经过随机共振系统进行去噪，进行故障诊断。

背景技术

机械系统在工业化中具有不可或缺的作用，其中，旋转机械设备更是占到了大多数，旋转机械设备中的关键在于齿轮箱，由于工业环境恶劣以及其封闭的工作环境，使得齿轮箱保养困难，因此旋转机械设备中的齿轮箱经常发生各种各样的故障，并且每一次故障都可能造成不可或缺的金钱和生产力损失。在所谓的第四次工业革命、未来工厂、工业物联网时代，工业机械系统不断智能化、复杂化。因此，研究和开发数据驱动的方法和状态监测技术，能够实现快速、可靠和高质量的自动诊断是十分必要的。能够对齿轮箱早期故障进行准确预警，避免发生重大工业事故，工作人员可以做到及时进行维修，这对工业生产来说具有十分重大的意义。

随机共振(Stochastic resonance,SR)作为一种能够从振动信号中提取微弱信号特征的非线性信号处理方法，以其利用噪声增强微弱信号而不是消除噪声的独特优势在机械故障诊断领域得到了广泛的研究。

发明内容

基于上述问题背景，本发明提供了一种基于自适应噪声变换和随机共振的机械故障诊断方法，通过对输入信号中的噪声进行分布变换，并且利用人工蜂群算法对参数进行快速寻优，得到最利于随机共振系统的噪声分布，然后经过随机共振系统进行信号去噪，最后通过包络谱分析，进行故障诊断。

本发明的具体技术方案是：

S1、利用加速度传感器采集机械旋转部件的振动数据，作为原始信号；

S2、将原始信号经过离散小波变换(DWT)分解为不同频带的信号，分解层数为待定系数，对分解后的信号进行重分布，重分布系数待定，重分布的目的是使原始信号中的有色噪声转化为对随机共振系统最有利的粉红噪声，将得到的重分布后的噪声再经过离散小波变换(DWT)重构得到新的包含粉红噪声分布的信号。

S3、通过人工蜂群算法(ABC)对S2中的离散小波分解层数和重分布系数进行寻优，寻优目标函数为加权谱峭度(CSK)，将寻优结果代入S2中得到重构后的信号。

S4、将重构后的信号输入标准化后的双稳态随机共振系统，通过随机共振利用噪声能量增强低频信号能量，放大原信号中的故障特征信号，得到去噪后的信号。

S5、对最终得到的经过随机共振系统去噪后的信号进行希尔伯特包络谱分析，将包络谱峰值频率和计算出的理论故障特征频率进行比较，对机械旋转部件进行故障诊断。

在本发明的某一具体实例中，S2中原始信号经过离散小波变换进行信号噪声变换的方法为：

假设x(t)为原始输入信号，首先对原始信号进行离散小波变换，得到一系列的细节系数和近似系数，表达式如下：

其中，为尺度函数，为母小波函数，j为分解层数，j＝1,2,..,J，J为最后一层，于是，我们得到了在不同频带的一些列小波系数：