[发明专利]基于改进经验小波变换的轴承故障诊断方法及系统装置

说明书

本发明提供了一种基于改进经验小波变换的轴承故障诊断方法及系统装置，其主要方法为：(1)采集不同故障轴承信号作为分析信号，将时域波形转换为频域。(2)绘制频谱的上包络，将具有紧支撑的频率峰转换成平顶。(3)用准则筛选频域中的平顶，去除无意义的平顶，保留主要频率。(4)用相邻平顶之间的极小值作为频谱分割的边界。(5)分割出的频谱分别建立小波滤波器，将信号分解成N个模式分量。(6)用互相关系数计算模式分量与原始信号的相似度，选出相似度最高的分量。(7)故障取样本，算出样本的相关系数最大的IMF分量。计算IMF分量的多尺度排列熵，并绘制样本的多尺度熵曲线，实现故障分类。

技术领域

本发明方法属于信号分析领域。传统经验小波变换由于频谱分割方法不够合理，导致分解结果出现模式混叠、无意义的分量等情况。本发明提供了一种基于改进经验小波变换(Improved Empirical Wavelet Transform，IEWT)的轴承故障诊断方法，旨在增加分解模式的准确度，从而提高故障分类的精度。

背景技术

轴承是机械传动系统中的重要支承部件，受恶劣工况影响，故障频发，往往会严重影响了企业的正常生产运营，为保证设备的正常运行，轴承的故障诊断至关重要。经验小波变换(Empirical Wavelet Transform，EWT)，是结合了小波分析的理论和经验模式分解(Empirical Mode Decomposition，EMD)的自适应性，既有理论支撑又具备自适应性。但此方法在频谱分割上有一定的缺陷，因此EWT在分析含噪的非平稳信号也会出现模式混叠、无意义的分量，从而导致故障分类的精确度不高。

如李志农等人将EWT应用到转子碰磨故障诊断中,能够有效地揭示碰磨故障数据的频率结构,区分碰磨故障的严重程度。(李志农,朱明,褚福磊,等.基于经验小波变换的机械故障诊断方法研究[J].仪器仪表学报,2014(11):2423-2432.)

黄南天等人把EWT和OCSVM应用于高压断路机械的故障诊断，在EWT分解后用OCSVM对故障进行分类，实现了更准确的故障分类。(黄南天,张书鑫,蔡国伟,等.采用EWT和OCSVM的高压断路器机械故障诊断[J].仪器仪表学报,2015,36(12):2773-2781.)

李沁雪等人将EWT和多尺度熵结合应用与轴承特征提取及分类。(李沁雪,廖晓文,张清华.基于EWT和多尺度熵的轴承特征提取及分类[J].轴承,2016(1):48-52.)

祝文颖等对经验小波变换做了改进，提出了新的IMF个数的估计方法和对故障敏感分量的选取方法，并应用于行星齿轮箱信号的故障诊断中(祝文颖,冯志鹏.基于改进经验小波变换的行星齿轮箱故障诊断[J].仪器仪表学报,2016,37(10):2193-2201.)

但这些方法都没有从本质上改进EWT频谱分割方法的不合理之处，在分析含噪的非平稳信号时，仍易出现模式混叠或产生大量无意义的分量。

发明内容

本发明的目的是提供一种新的频谱分割方法，旨在解决因噪声引起的模式分解不准确，导致故障特征不明显的情况。将采集到的轴承信号作为分析信号，并用顺序统计滤波把频率峰转换成了对应的平顶形成上包络。再根据三个准则筛选出频域中的最高平顶，去除由噪声引起的及无意义的平顶，保留主要频率。接着，选择相邻平顶之间的极小值作为频谱分割的边界。最后，每一段频带分别建立一个合适的经验小波滤波器组，将信号分解成N个模式分量，并做相应的频域变换，提取特征频率。

第一方面，本发明提供一种绘制频谱包络方法——顺序统计滤波的最大值滤波，包括以下步骤：

(1)轴承振动信号做频域变换，获得频率峰的极大值，并计算所有相邻极大值之间的欧式距离，存入数组D_locmax中。

(2)选出D_locmax中的最小值作为顺序统计滤波的窗口尺寸S_OSF。