[发明专利]一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法

说明书

本发明公开了一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法，在多尺度形态滤波方法中，结构元素的尺度对滤波效果尤其重要。由于传统的形态滤波方法的结构元素最优尺度为单独的一个尺度，导致提取的滚动轴承故障特征信息不完善，使得故障特征表现不明显。本发明没有将结构元素的最优尺度固定为一个值，而是选取多个尺度的结构元素对故障轴承振动信号形态学分析。该方法融合了信息熵在表征信号方面的优越性，用信息熵量化分析后的信号，通过迭代法得到信息熵的最佳阈值来优化结构元素尺度，然后根据硬阈值对信号进行叠加，以保证有用信息的完整性，实现滚动轴承故障诊断。

技术领域

本发明涉及一种滚动轴承故障诊断方法，特别涉及一种基于信息熵和多尺度形态学的滚动轴承故障诊断方法，属于故障诊断技术领域。

背景技术

在旋转机械中，滚动轴承起到非常重要的作用。滚动轴承一旦发生故障，会导致整个机器瘫痪，严重情况下会造成巨大的经济损失和人员伤亡，所以有必要对工作中的滚动轴承进行检测和故障诊断。

滚动轴承故障振动信号往往是一种非常典型的非线性、非平稳信号，在处理这类信号时，不能像平稳信号那样简单。数学形态学(Mathematical Morphology,MM)是一种非常有效的非线性信号处理工具。形态信号处理的主要思想是择一个结构元素(StructureElement,SE)的数据集对滚动轴承故障振动信号进行形态学操作，最终消除振动信号中的噪声并提取有用信息。Zhang用MM方法处理一维信号并做出详细分析，最终将MM方法应用于故障诊断领域中。经典MM方法是使用SE对振动信号进行单尺度分析，随着研究的深入，多尺度形态滤波(Multiscale morphological filtering,MMF)方法被应用到信号处理中。Hao应用MMF方法处理滚动轴承故障振动信号，对信号进行多尺度开运算形态分析得到形态谱，进而实现滚动轴承状态检测。虽然MMF方法很有效，但是如何挑选SE尺度将成为一个难题。

Raj等提出了基于帩度准则来挑选结构元素的最优尺度的方法，该方法是在SE长度在脉冲重复周期T范围内，以10％的脉冲重复周期为长度间隔，得到十个SE长度，用不同长度的SE对故障振动信号进行去噪，将去噪的信号求取峭度，最大峭度所对应的形态分析信号求解频谱图，进而完成轴承故障诊断。但是在早期故障轴承振动信号中，噪声往往掩盖振动信号的冲击特性，峭度指标会失效，另外，将SE的最优尺度固定为一个值时，往往会丢失故障特征信息，这势必会对滚动轴承故障诊断增加难度。

发明内容

本发明的目的在于提供了一种基于信息熵和多尺度形态学的滚动轴承故障诊断方法，以解决多尺度形态学在轴承故障诊断中的上述技术问题。

为实现上述目的，本发明采用的技术方案为一种基于信息熵和多尺度形态学的滚动轴承故障诊断方法，该方法包括采集故障轴承振动信号、对故障轴承振动信号进行多尺度形态分析、形态分析后的振动信号信息熵的求解、应用迭代法求解信息熵的阈值、根据硬阈值对形态分析后的振动信号进行叠加、对叠加后的振动信号求解频谱图，从而得到故障特征。

S1多尺度形态学；

腐蚀、膨胀、开运算和闭运算是数学形态学最基本的运算。

设一维信号f(n)为定义在F＝(0,1,...,N-1)范围内的离散函数，定义结构元素g(n)为G＝(0,1,...,M-1)范围内的离散函数，且N≥M。其中，N和M分别为f(n)和g(n)的采样点数，f(n)为一维信号f第n个采样点的值，g(n)为一维信号g第n个采样点的值。

f(n)关于g(n)的腐蚀和膨胀定义为：

fΘg(n)＝min[f(n+m)-g(m)]