[发明专利]基于改进小波包阈值去噪与局部均值分解的故障提取方法

说明书

本发明属于信号处理技术领域，涉及基于改进小波包阈值去噪与局部均值分解的故障提取方法，首先采样信号，确定小波包分解层数并对采样信号进行小波包分解，得到分解后的小波包系数；然后对该小波包系数进行二次加权相关阈值去噪，对该去噪后的小波包系数进行重构得到去噪信号，并对该去噪信号进行LMD分解，得到多个PF分量；进而计算PF分量的均方误差值、峭度、均方根值，以及去噪信号的能量占比和K‑L散度，并根据这些指标值得到综合评判指标，筛选出前指标对应的PF分量；最后，对PF分量进行包络解调，提取故障特征频率。本发明改善采样信号的去噪效果，凸显强背景噪声下的微弱故障特征，有效提高轴承故障诊断的准确性。

技术领域

本发明涉及轴承的故障特征提取方法，特别涉及一种基于改进小波包阈值去噪与局部均值分解的故障提取方法，属于信号处理技术领域。

背景技术

轴承是机械装备的一个重要组成部分，同时也是容易发生故障的一个部件，其运行状态对机械整体的工作性能有很大的影响。滚动轴承发生异常时其振动信号也会随之改变，振动信号包含了丰富的轴承状态信息，因此通过采集振动信号，结合信号处理技术对其进行分析，可以实现故障诊断。轴承是一个周期性回转式运动的系统，同时受到设备及负载的影响，其振动信号表现为非平稳的调制信号，尤其是故障的早期阶段，故障信号非常微弱，而且信号中混有大量的背景噪声干扰，信噪比较低，因此如何有效地提取故障信号中的故障特征是轴承故障诊断的关键。

传统使用的如频谱分析、包络分析、小波分析、形态学滤波等方法，在实际应用中，由于多故障源及背景噪声的干扰导致故障特征提取不彻底，造成误判和漏判等情况，对机械设备运行评估不完全。

发明内容

本发明的目的在于：克服现有故障特征提取的不足，提供一种基于改进小波包阈值去噪与局部均值分解的故障提取方法，改善采样信号的去噪效果，凸显强背景噪声下的微弱故障特征，从而提高轴承故障诊断的准确性。

本发明的目的是通过以下技术方案来实现的：基于改进小波包阈值去噪与局部均值分解的故障提取方法，包括如下具体步骤：步骤1：获取故障轴承的振动信号作为采样信号x，并根据所述采样信号x中故障频率和正常频率中的最小频率确定小波包分解层数j；步骤2：使用改进小波包算法对所述采样信号x进行所述步骤1中得到的j层小波包分解，得到m个小波包系数；步骤3：对所述步骤2的所述分解后的m个小波包系数进行二次加权相关阈值去噪，对该去噪后的小波包系数用改进小波包算法进行重构得到去噪信号s；步骤4：对所述步骤3去噪信号s进行LMD分解，得到多个PF分量；步骤5：计算所述步骤4中得到的每个PF分量的均方误差值Q_I1、峭度Q_I2、均方根值Q_I3，以及所述去噪信号s的能量占比Q_I4和K-L散度Q_I5指标值，其中I＝1，2，3...H，H为PF分量的个数；步骤6：根据所述步骤5中的各项指标值得到综合评判指标J_I，计算公式为：按照从大到小的顺序排列，筛选出前指标对应的PF分量；步骤7：将所述步骤6筛选出的PF分量进行包络解调，提取故障特征频率。

进一步地，所述步骤1中小波包分解层数j的确定方法为：根据尺度与频率的对应关系确定所述采样信号x中故障频率和正常频率中的最小频率、小波包的中心频率及所述采样信号x的采样周期，公式为其中是尺度a对应的伪频率，fc是小波包对应的中心频率，Δt是采样周期；伪频率覆盖包括故障频率和正常频率的全部频率范围，即：则故障频率和正常频率中的最小频率小波包末层分解小波包系数的个数从而可计算出小波包分解层数j，其中2^j-1≤L≤2^J。