[发明专利]基于WCSNR分数阶自适应随机共振轴承故障诊断方法

说明书

本发明涉及轴承故障诊断领域，公开了一种基于WCSNR分数阶自适应随机共振轴承故障诊断方法，本发明根据期望输出信号的特征和随机共振系统的自身特点构造加权修正信噪比指标，并利用WCSNR量化共振系统输出响应，然后基于网格搜索法建立自适应随机共振算法，进而准确、稳定、有效的提取出未知故障特征，实现轴承故障的有效诊断。

技术领域

本发明涉及轴承故障诊断领域，特别涉及一种基于加权修正信噪比指标(WCSNR)的分数阶自适应随机共振故障诊断方法。

背景技术

旋转机械设备在恶劣的工作条件下容易发生故障，故障将进一步引发其他机械故障，而滚动轴承作为旋转机械的关键机械部件，被广泛应用于旋转机械中。高速、重载、高冲击等工作环境都容易造成轴承失效，因此，滚动轴承是旋转机械设备状态监测和故障诊断的优先目标。然而，实际工程中，轴承故障的振动信号通常表现出信号受强噪声污染，故障特征频率不确定等特点，这使得轴承故障特征的提取成为一项非常艰难的任务。

随机共振(SR)是一种有效的特征提取技术，最早是Benzi等人在20世纪80年代研究古代地球天气问题时提出，近年来，随机共振技术在分数阶系统中也得到了较好的应用和发展。相较于传统整数阶随机共振方法和传统基于噪声消除的滤波方法，如：小波变换、经验模式分解等，分数阶随机共振技术具有多项优点：(1)传统的滤波方法都试图抑制或消除背景噪声，这同时也削弱了弱信号特征了。而随机共振技术是一种利用噪声达到一定的协同效应来增强微弱信号的技术，因此其被广泛用于提取缺陷轴承中的弱故障特征。(2)分数阶随机共振相比传统的整数阶随机共振具有更优越的性能，通过修改分数阶阶数可以得到周期性更强的输出信号。这些优点使得分数阶随机共振技术非常适用于提取轴承故障信号中受强噪声污染的微弱故障特征，也使得其成为信号处理领域的一项研究热点。研究主要集中在两点：如何利用自适应算法克服随机共振系统中参数难以选择的问题；如何解决在故障特征未知的情况下利用分数阶随机共振算法进行故障特征提取的问题。

目前基于传统信噪比指标的分数阶自适应随机共振技术不能够准确稳定的提取出故障特征并且需要提前知道故障特征频率的具体数值，使其越来越难以满足现今的生产要求。

发明内容

针对上述问题，本发明提出了一种随机共振轴承故障诊断方法，以实现故障特征微弱，特征频率不确定的情况下，利用分数阶随机共振技术准确、稳定地提取出微弱故障特征。

为实现上述目的，本发明采用的技术方案是：根据期望输出信号的特征和共振系统的特点构造加权修正信噪比指标，并利用该加权修正信噪比指标量化共振系统的输出响应，然后基于网格搜索法建立自适应随机共振系统对输入信号进行处理，进而准确、稳定、有效的提取出未知故障特征，实现轴承故障的诊断。

进一步的，本发明的具体步骤包括：

步骤1：根据期望输出信号的特征和共振系统的特点构造加权修正信噪比指标WCSNR 的表达式；

步骤2：采集轴承的振动信号x；

步骤3：求解分数阶过阻尼郎之万方程，得到分数阶随机共振方程的离散形式，建立自适应分数阶随机共振系统离散模型；

步骤4：初始化自适应分数阶随机共振系统离散模型的系统参数，包括势垒参数a、b和分数阶阶数α的搜索范围与步长，变尺度系数β等；

步骤5：将振动信号代入自适应分数阶随机共振系统离散模型得到输出响应，根据输出响应计算加权修正信噪比指标WCSNR，并保存计算得到的加权修正信噪比指标WCSNR及对应的系统参数；

步骤6：判断计算得到的加权修正信噪比指标WCSNR是否大于当前已出现的WCSNR最大值max_WCSNR，若大于，则进入步骤7；若不大于，则进入步骤8；

步骤7：令此时的max_WCSNR＝WCSNR，max_a＝a，以及max_α＝α；