[发明专利]一种自适应声信号轴承故障诊断方法

说明书

本发明公开了一种自适应声信号轴承故障诊断方法，首先运用最大相关峭度反褶积方法(MCKD)增强轴承故障声音信号中的周期冲击，然后对处理后信号进行改进自适应噪声完备集合经验模态分解(ACEEMD)处理，计算每个经验模态分量的峭度值，根据峭度值最大原则自动提取最优分量并求Hilbert包络谱，以准确提取故障特征频率；在声音信号故障诊断中，若特征故障频率被噪声淹没，采用MCKD可以在一定程度上减少因为分量选择不当而造成的误差，在选取最优分量过程中，CEEMDAN与MCKD结合使用可获得更好效果，所提出方法在一定程度上增强了周期冲击成分，为选择合适分量提供了一定的依据。

技术领域

本发明属于轴承故障检测技术领域，具体涉及一种自适应声信号轴承故障诊断方法。

背景技术

传统滚动轴承故障诊断基于振动信号实现，但对于双转子轴承等特殊部件，因信号传递路径复杂，直接通过加速度传感器获取故障信号具有一定难度。在机械设备工作过程中声音信号伴随振动信号产生，声音信号中亦带有大量设备运行状态信息，发生故障时声音信号频谱会有所变化。利用设备工作过程中产生的异常噪音信号检测设备运行状态，相比于其他方式具有不接触和操作简单等优点。

由于声音信号信噪比较低，故存在故障特征直接提取较困难等缺陷。针对声音信号信噪比较低这一问题提出了多种降噪方法。Donoh等提出的小波阈值去噪算法通过设置合适阈值区分信号和噪声，但是当原信号中某细节处的小波系数与噪声较多处的小波系数接近时，有用信号易被当成噪声滤掉；Huang等提出EEMD算法通过加入高斯白噪声避免模态混叠，但是最终加入的噪声有可能无法完全消除；CEEMD算法通过加入正负成对的辅助白噪声来抵消只加入正态白噪声导致的问题，但是增加了算法复杂度且没有完全解决模态混叠问题；Torres等提出的CEEMDAN算法可以利用自适应噪声有效减少计算成本并克服模态混叠问题。M.E.TORRES,M.A.COLOMINAS,G.SCHLOTTHAUER,P.FLANDRIN,A completeEnsemble Empirical Mode decomposition with adaptive noise,IEEE Int.Conf.onAcoust.,Speech and Signal Proc.ICASSP-11,pp.4144-4147,Prague(CZ)

多模态分解降噪方法在声音信号降噪方面较为有效，但当采用多模态分解降噪方法时，需要对多个模态分量逐个观察。钱伟等以峰值因子和裕度等多指标融合后的指标参数为诊断依据对飞机发电机进行故障诊断，取得了良好的诊断准确率；卿川等利用EMD滤波处理后的最大谱峭度分量构成的重构信号，结合匹配追踪算法提取出了故障冲击成分。峭度相比与其他时域参数，对冲击信号更为敏感，适用于轴承早期故障的诊断。轴承故障声音信号中存在的噪声具有复杂性和多样性，很大程度上增加了故障诊断的难度，MCKD作为一种性能良好的降噪方法已经引起了科研工作者的广泛关注。MCKD以相关峭度作为评价指标，可在一定程度上降低信号中的噪声成分，提升原始信号的峭度，从而充分突出轴承故障信号中被噪声淹没的周期冲击成分。G.L.McDonald,Q.Zhao,M.J.Zuo,Maximum correlatedKurtosis deconvolution and application on gear tooth chip fault detection,Mech.Syst.Signal Process.33(2012)237–255.基于此，本文提出基于MCKD与ACEEMD的算法，增强了峭度指标在寻找最优模态分量过程中的可靠性，利用峭度准则选取最优分量，提高了诊断效率。

发明内容

为实现上述目的，本发明提供如下技术方案：一种自适应声信号轴承故障诊断方法，其特征在于：首先运用最大相关峭度反褶积方法(MCKD)增强轴承故障声音信号中的周期冲击，然后对处理后信号进行改进自适应噪声完备集合经验模态分解(ACEEMD)处理，计算每个经验模态分量的峭度值，根据峭度值最大原则自动提取最优分量并求Hilbert包络谱，以准确提取故障特征频率。