[发明专利]基于自适应冗余提升小波包分解树的轴承故障诊断方法

摘要

本发明公开一种基于自适应冗余提升小波包分解树的轴承故障诊断方法，首先通过分解算法得到匹配于节点特征信息的最优小波；其次，依次解决频带交错和频率混叠问题。再次，分别求取两组小波包系数的能量，以能量大的小波包系数作为新的节点信号准备进行下一次的分解；然后，分别求取被分解节点信号以及两组小波包系数的p范数熵，并进行判定：若小波包系数的熵之和大于节点信号的熵，分解继续；反之，分解结束；最后，根据小波包的最优分解树结构，实现节点信号的自适应单支重构算法，并对单支重构的信号作解调包络谱分析。采用本发明技术方案，在降低计算成本的同时，能有效提取强背景噪声中有故障轴承的微弱特征信息，有利于发现轴承的早期故障。

主权项

1.一种基于自适应冗余提升小波包分解树的轴承故障诊断方法，其特征在于，通过振动加速度信号对滚动轴承进行状态监测和故障诊断，包括以下步骤：第一步、对传感器和数据采集器采集得到的轴承振动信号作自适应冗余提升小波包分解，所述自适应算法为：每次分解时，均选用四种不同小波依次对信号进行变换，并得到四组低频逼近信号和高频细节信号的分解结果，分别对每组结果求取归一化lP范数，得到四个归一化lP范数值，比较四个范数值，以最小者对应的低频逼近信号和高频细节信号作为此次分解的最优结果；对应小波作为此次分解的最优小波，其中分解结果归一化lP范数的计算公式为：式中，xj‑1,m为被分解的节点信号；aj,m,k和dj,m,k分别为xj‑1,m分解后得到的低频逼近信号和高频细节信号中的第k个系数；j为当前的分解尺度；m＝1,2,3,4分别对应所采用的四种小波；L为信号的样本长度；第二步、对此次分解中由最优小波分解得到的低频逼近信号a_j,optimal和高频细节信号d_j,optimal依次进行频带交错和频率混叠问题分析，得到处理后的结果和其中，频带交错分析为：若此次分解的节点信号为上次分解所得的高频节点信号，则将此次分解新得到的a_j,optimal和d_j,optimal进行互换；频率混叠分析为：将a_j,optimal和d_j,optimal所对应的频带范围以外的频率成分置零；第三步、根据轴承的共振及故障时的周期性冲击机理，对和进行基于能量分析的节点信号选取，若的能量值大于的能量值，选取作为新的待分解的节点信号；反之，选取作为新的待分解的节点信号，其中，能量分析的计算公式为：第四步、对：x_j‑1,m、和求取p范数熵，根据结果进行判定：若和的范数熵之和大于x_j‑1,m的范数熵，则分解继续；反之，分解结束，其中，p范数熵的计算公式为：第五步、当分解结束时，对最后一次分解后经能量分析所确定的新的节点信号依据最优小波包分解树结构进行单支重构，并进而作Hilbert解调包络谱分析，提取谱图中有关的频率成分；若能发现转频甚至其其倍频成分，则判断滚动轴承可能发生故障；若能发现外圈、或内圈、或滚动体或保持架的故障特征频率甚至其倍频，则相应判断该部件发生故障；若无法提取上述频率成分，则继续采集轴承的振动加速度信号，并按照上述四个步骤再次进行分析。