[发明专利]基于互相关奇异值的轴承故障诊断方法

说明书

本发明公开了一种基于互相关奇异值的轴承故障诊断方法，涉及轴承的故障信号诊断方法技术领域。所述方法包括如下步骤：将经过相空间重构的轴承振动信号进行奇异值分解，得到轴承振动信号的奇异值分量信号；选取两个奇异值分量信号进行互相关，利用互相关函数降噪和突出同频信号的特性对信号进行降噪，并突出故障特征，得到互相关时域信号；选取互相关时域信号中冲击特征明显的区间进行包络解调，提取出轴承振动信号的故障特征频率。所述方法能够在强噪声背景下克服高倍频特征缺失问题，准确提取出轴承故障特征频率，并能精确得到高倍频。

技术领域

本发明涉及轴承的故障信号诊断方法技术领域，尤其涉及一种基于互相关奇异值的轴承故障诊断方法。

背景技术

近年来奇异值分解(Singular Value Decomposition,SVD)在数据压缩、数据挖掘、信号语音编码及数字水印，机器人运动控制、滤波算法设计等很多领域都得到了广泛的应用。作为一种非线性滤波方法，在故障诊断领域SVD也是研究的热点，SVD通过矩阵的方式在高维空间中对信号进行处理，能够有效的滤除噪声和对信号特征进行提取，基于SVD的故障诊断研究也取得了大量的研究成果。

有效奇异值确定的问题是SVD的热点和难点，它决定着SVD的信号处理效果，但是这一问题从来没有很好的解决。大部分研究都集中在利用SVD得到的奇异值进行运算，将得到的一些特征点作为有效奇异值，但这些方法在实际应用中难以适应各种不同情况，存在着高倍频缺失的问题。如均值法^[1]、差分谱法、相对变化率法，单边极大值等。因此有学者从其他角度对SVD进行探索，对单独的奇异值分量进行研究。华南理工大学的赵学智通过对奇异值分量的研究发现了SVD的奇异性检测效果。天津大学的冷永刚利用包络谱对奇异值分量进行分析，能够提取出故障频率，但噪声干扰问题任然存在。

发明内容

本发明所要解决的技术问题是如何提供一种能够在强噪声背景下克服高倍频特征缺失问题，准确提取出轴承故障特征频率，并能精确得到高倍频的轴承故障诊断方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于互相关奇异值的轴承故障诊断方法，其特征在于包括如下步骤：

将经过相空间重构的轴承振动信号进行奇异值分解，得到轴承振动信号的奇异值分量信号；

选取两个奇异值分量信号进行互相关，利用互相关函数降噪和突出同频信号的特性对信号进行降噪，并突出故障特征，得到互相关时域信号；

选取互相关时域信号中冲击特征明显的区间进行包络解调，提取出轴承振动信号的故障特征频率。

进一步的技术方案在于：测得含有故障信息的轴承振动信号为：x(i)(i＝1,2,,…N)，基于相空间重构理论，构造造出Hankel矩阵为：

式中：N为信号长度，L为矩阵行数；

对式(1)所得的Hankel矩阵进行奇异值分解，过程如下式

其中：U是m阶正交矩阵，V是n阶正交矩阵；∑＝diag(σ₁,σ₂,…σ_r)是r阶对角阵，而σ_i是矩阵A的非零奇异值；0是零矩阵；

将式(1)中的零奇异值去除，将A的奇异值分解写成精简的向量形式

式中：u_i、v_i分别是U、V的第i个列向量，组成A的向量即为奇异值分量。

进一步的技术方案在于：将两个奇异值分量信号进行互相关的方法如下：

信号x(t)与y(t)的互相关函数定义为