[发明专利]滚动轴承故障实时监测方法

说明书

本发明适用于轴承故障监测技术领域，提供了一种滚动轴承故障实时监测方法，获取滚动轴承振动信号x_N(n)，进行离散傅里叶变换得到信号频谱X_N(k)；计算信号频谱X_N(k)的循环谱相关密度为确定平滑窗函数以及平滑点数M，计算归一化窗函数的傅里叶变换得到窗函数频谱W_N(f)；对循环谱相关密度进行循环谱平滑处理得到平滑循环谱相关密度确定分辨率，遍历平滑循环谱相关密度并切片；在循环谱切片中选取谱能量最大的前L个谱向量并计为模板；选取振动信号x_N(n)之后的N个数据，将其分成K段，计算各段的平滑循环谱相关密度将各段平滑循环谱相关密度与模板循环谱相关密度对比，统计在不同谱向量处峰值匹配个数O_i，根据峰值匹配个数O_i进行故障判断。

技术领域

本发明属于轴承故障监测技术领域，尤其涉及一种滚动轴承故障实时监测方法。

背景技术

随着科学技术的进步与发展，工业化程度的不断提高，机械设备的精密程度、复杂程度及自动化程度越来越高。因机械设备故障而引发的重大甚至是灾难性的人员伤亡和财产损失的例子不胜枚举。在旋转机械中，滚动轴承是一类广泛使用的，同时也是最易损伤的元件。据统计，在使用滚动轴承的旋转机械设备中，约30％的机械故障是与轴承损伤有关联的。开展滚动轴承故障诊断技术研究对于避免重大事故等工业生产安全和经济发展等都具有重要的现实意义。

常规的滚动轴承故障诊断方法是功率谱分析、冲击脉冲法，共振解调法以及因数判别法等，但这些方法要求信号具有线性、平稳性，并且仅关注信号中的频率成分，忽略时间因素。而旋转机械设备发生故障时，其振动信号通常具有非平稳特性与非线性特性，使用常规的诊断方法容易造成漏诊和误判。目前人们引入现代信号处理方法，如时频分析、小波分析、非线性时间序列分析、隐马尔可夫模型、人工神经网络学等，而旋转机械由于周期运行方式，使得其信号具有循环平稳特性。但这些方法并未充分考虑和利用旋转机械设备固有的周期时变特性，并且需要大量的数据，从而增加计算量，在一定程度上影响到实时监测的效果，致使滚动轴承实时监测不准确。

发明内容

有鉴于此，本发明实施例提供了一种滚动轴承故障实时监测方法，以解决现有技术中滚动轴承实时监测不准确的问题。

为解决上述技术问题，本发明所采取的技术方案是：一种滚动轴承故障实时监测方法，包括：

获取滚动轴承的振动信号x_N(n)，并对所述振动信号x_N(n)进行离散傅里叶变换，得到信号频谱X_N(k)；

利用周期图法计算所述信号频谱X_N(k)的循环谱相关密度为

根据所要得到的谱相关密度切片的谱频率、分辨率和采样频率确定平滑窗函数以及平滑点数M，并计算归一化窗函数的傅里叶变换，得到窗函数频谱W_N(f)；

利用所述窗函数频谱W_N(f)对所述循环谱相关密度进行循环谱平滑处理，得到平滑循环谱相关密度

确定分辨率，遍历所述平滑循环谱相关密度并切片；

在循环谱切片中选取谱能量最大的前L个谱向量，并计为模板；

选取所述振动信号x_N(n)之后的N个数据，将其分成K段，计算各段的平滑循环谱相关密度其中j＝1，2，3…K；

将各段平滑循环谱相关密度与模板循环谱相关密度对比，统计在不同谱向量处峰值匹配个数O_i，根据峰值匹配个数O_i进行故障判断。

进一步地，所述信号频谱X_N(k)为：