[发明专利]一种基于滑动熵‑ICA算法的滚动轴承故障特征提取方法

说明书

技术领域：

本发明涉及机械故障诊断领域，具体涉及一种滚动轴承的故障特征提取方法。

背景技术：

滚动轴承作为旋转机械中常用的零部件之一，由于其结构细小，承载较大等原因，同时也是最容易算坏的零部件之一，往往作为机械故障诊断的主要监测对象，由于振动信号蕴含故障信息丰富以及采集方便等优点，因此针对振动信号进行信号处理及分析是目前常用的轴承故障诊断重要手段之一，但是，机械运运转时工作环境复杂，利用振动传感器所采集的实测信号通常为多个源信号相互耦合的结果，且传感器传递路径也会干扰信号的故障信息，尤其是在轴承故障早期，其故障信息微弱，这些都为轴承信号特征提取增加难度，所提取的特征参数会呈现虚警率高等缺点。

一般情况下，越是复杂的机械中源信号的个数越多，而考虑到实际应用中对成本的控制，采集滚动轴承振动信号所用传感器个数往往小于实际源信号个数，甚至是单通道实测信号的欠定问题，目前盲源分离技术多以传感器个数大于源信号个数为假设前提，而实际工程中，由于条件限制，往往无法满足上述条件，导致所分离源信号不准确甚至失真，通过EMD分解虽然可以解决上述问题，但由于EMD分解过程中存在插值误差和边界效应等原因，将导致IMF分量中夹杂着伪分量，不包含原单通道实测信号的有效信息，最终导致所构建虚拟通道信号失真，所提取源信号不准确。

在机械故障诊断中信号特征提取是一个重要的环节，特征提取的选择方法直接影响故障模式识别结果的可靠性，不同的特征参数从不同的角度反映轴承故障的运动状态，只根据单一特征指标对轴承进行故障诊断具有局限性，无法准确预测出故障结果，特征指标选取过多容易造成“信息灾难”。

发明内容：

针对上述问题，本发明的发明目的在于提供一种有效的滚动轴承故障特征提取方法，该方法将单通道盲源分离技术和LLE算法结合，适用于包含滚动轴承并延伸至其他旋转机械故障诊断领域；有效剔除与轴承故障信号无关的源信号，提高轴承故障特征提取准确率，并将多个不同角度的特征参数进行数据融合，构建全新的轴承信号特征参数，使其更能全面有效描述轴承故障信息。

本发明解决问题的技术方案是：

本发明为一种基于滑动熵-ICA算法的滚动轴承故障特征提取方法，其步骤为：

(一)所述的EMD分解单通道实测信号得到多个IMF分量，构建虚拟通道信号，其步骤为：

(1)对单通道实测信号x(t)拆分成第一阶固有模式函数和其残余项之和，表达如下公式所示：

x(t)＝imf₁(t)+r₁(t)

式中，r₁(t)为一阶固有模式函数的残余分量；

(2)对残余分量r₁(t)重复“筛选”过程，得到第二阶固有模式函数，以此类推，最终n个频率由高到底的自适应固定模式函数和其残余分量r_n(t)，此时x(t)可由如下公式表达：

式中，imf_i(t)为第i个IMF分量。

(二)所述的利用滑动熵互相关系数筛选IMF分量，作为有效虚拟通道信号，其步骤为：

(1)将信号x(n)分为k段长度l＝20等分长度信号段；

(2)以x_i,i＝0,1,2,…,n-l+1为起始点，依次向后截取l个时序序列，利用公式计算每段信号的熵值H(i)，得到信号x(n)的滑动熵时序序列，其中H(i)表达公式如下所示：

式中，P(x_i)代表某段信号x(n)中x_i出现的概率；

(3)按同样方法计算各IMF分量的滑动熵时序序列，计算各IMF分量滑动熵序列与x(n)的互相关函数R_imf,x(τ)，公式表达如下所示：

(4)对R_imf,x(τ)做归一化处理，并计算互相关系数系数表达公式如下所示：

(5)设定阈值ε＝0.3，去除小于ε的IMF分量，保留含有用信息的IMF分量，并将单通道实测信号与虚拟通道信号整合为混合信号矩阵X(t)＝[x₁(t),imf_i(t),imf_i+1(t)…]。

(三)所述的盲源分离技术采用FastICA算法实现，步骤为：