[发明专利]一种滚动轴承振动信号降噪和故障特征提取方法和系统

说明书

本发明公开了一种滚动轴承振动信号降噪和故障特征提取的方法，基于奇异值分解和时域负熵实现。对于采集到的包含强烈噪声的滚动轴承振动信号，包括：采集振动信号x(n)，其中所述振动信号的采样频率为fsubgt;s/subgt;，采样点数为N，对所述振动信号x(n)进行去趋势预处理，从而获取零均值的振动信号；基于所述零均值的振动信号构造原始Hankel矩阵；基于原始Hankel矩阵和奇异值分解对原始Hankel矩阵进行重构获得更新之后的Hankel矩阵；基于更新之后的Hankel矩阵获取时域负熵谱；基于时域负熵谱对原始Hankel矩阵再次重构获得再重构Hankel矩阵；基于再重构Hankel矩阵进行滚动轴承振动信号降噪获得降噪后的时间序列；基于所述降噪后的时间序列对所述滚动轴承的故障特征进行提取，最终实现滚动轴承的故障诊断。

技术领域

本发明属于旋转机械故障诊断领域，具体涉及一种基于奇异值分解和时域负熵的滚动轴承振动信号降噪和故障特征提取方法和系统。

背景技术

滚动轴承是大型机电设备中关键的零部件，起着承受载荷、传递载荷的重要作用，滚动轴承的运行状态直接决定着整台机电设备性能的好坏；此外，当滚动轴承发生故障时，很有可能会引发恶性事故，甚至会造成严重的财产损失和人身伤亡。因此，对滚动轴承进行状态监测和故障诊断很有必要。

滚动轴承故障诊断主要包含三个环节：故障信息获取、故障特征信息提取以及故障状态识别。其中故障特征提取和故障状态识别是两个关键环节，故障特征提取是故障诊断中最核心的部分，通常利用信号处理算法对振动信号进行降噪和故障特征提取。鉴于此，众多学者提出了各种信号处理方法，如经验小波变换、自适应谱峭度等。

目前，能对滚动轴承振动信号实现降噪和故障特征提取的方法主要有小波包分解(WPT)、变分模态分解(VMD)、局部均值分解(LMD)、经验小波变换(EWT)和自适应谱峭度(ASK)等。但这些方法的核心在于将包含滚动轴承故障特征频带的分量提取出来，但提取出的分量中仍然包含很多无用的噪声。目前已有基于奇异值分解理论对振动信号进行降噪的方法，但这些方法大多基于奇异值差分谱或曲率谱确定有效奇异值的个数，但确定的有效奇异值个数往往不准确，会丢失有效的故障信息。

如中国专利CN202110964450.2公开了一种CNG压缩机滚动轴承故障特征提取方法，其中采用了奇异值分解和时域负熵的方式进行滚动轴承故障特征提取，其所采用的技术路线为：信号—FFT频谱(幅值谱、相位谱)—FFT频谱(幅值谱)—关键函数—前N个逆傅里叶变换—极小值点—频带划分—频率排名矩阵—构造信号—时域负熵—取频率矩阵前M个，按照公式构造信号—奇异值分解滤波—信号还原(降噪后信号)，始终通过对构建虚拟信号、复合信号进行降噪处理，进而再进行信号恢复，来实现信号降噪；使用了奇异值分解和时域负熵的方法，然而是以频域为基础，通过变换构建了“虚拟信号”，利用时域负熵去除信号中一些频率(频率矩阵取前M个)。然后再构造一个含有原信号的复合信号，使用奇异值滤波进行降噪，最后，再将原信号从符合信号恢复出来，实现信号降噪，信号的降噪处理过程复杂，效果也比较差。

发明内容

为了克服上述算法中的不足，本发明提供了一种滚动轴承振动信号降噪和故障特征提取方法和系统，基于奇异值分解和时域负熵实现，具体来说，先对原始振动信号进行去趋势预处理，得到零均值的振动信号；然后利用去除趋势项之后的振动信号构造Hankel矩阵，对该矩阵进行奇异值分解，得到奇异值对角阵S和左右正交矩阵U、V。然后选择前2*K(K＝1，2，3，……80)个奇异值作为有效奇异值重构Hankel矩阵，进而得到重构之后的时间序列，K每变化一次，可得到一个新的时间序列，计算每一个时间序列的时域负熵，得到时域负熵谱，确定时域负熵最大值对应的位置，记为W，选择前2*W’个奇异值作为有效奇异值再次重构Hankel矩阵，进而得到降噪之后的信号，实现滚动轴承振动信号降噪的效果，最终借助包络解调得到滚动轴承故障特征信息。

本发明的目的在于提供一种滚动轴承振动信号降噪和故障特征提取方法，基于奇异值分解和时域负熵实现，该方法包括以下步骤：