[发明专利]一种用于故障特征增强的最优解调频带确定方法

说明书

本发明提供一种用于故障特征增强的最优解调频带确定方法，其包括以下步骤：步骤一，获取原始信号x(t)；步骤二，计算故障特征频率并设置滑移滤波器组；步骤三，生成故障特征置信区间FCF‑sets；步骤四：利用滑移滤波器组对x(t)进行滤波，计算每个滤波信号的峭度值K_i和滤波信号包络谱；再得到滤波信号包络谱主优频率f_DFi；根据f_DFi对K_i进行赋值运算，得到新的滤波信号峭度K_new；步骤五：根据K_new、f_DFi以及FCF‑sets，构建靶向耦合筛查机制TCSM‑gram，将各个故障特征置信区间内的峭度极大值K_newj对应的中心频率作为最优中心频率，最终得到用于故障特征增强的最优解调频带。本发明本对于复合故障具有较强的诊断能力，鲁棒性高；采用靶向耦合筛查机制，信息展现完整、直观。

技术领域

本发明涉及滚动轴承故障诊断技术领域，特别涉及一种用于故障特征增强的最优解调频带确定方法。

背景技术

滚动轴承、齿轮系等作为旋转机械的重要部件，其稳定运行对整个机械系统的正常运转至关重要。因此，对滚动轴承、齿轮系进行健康监测和故障诊断具有重要意义。共振解调作为一种有效的故障诊断方法，已经在回转机械的故障诊断方面广泛应用，如何在强背景噪声等干扰存在的情况下确定最优的解调频带，从而有效地增强故障特征，进而准确判断回转机械的健康状况，一直受到众多科研工作者的广泛研究。

近年来，基于最优解调频带的故障特征提取技术发展迅速，主要包括：盲源分析方法，如Kurtogram、Protrugram、Infogram、Autogram等；靶向分析方法，如Distcsgram、RCC、ICS2、log-cycligram等。盲源分析方法虽然对噪声具有较强的抑制能力，但容易受到信号中复杂干扰成分的影响，鲁棒性差；而现有的靶向分析方法，经常需要反复试错，计算效率低。除此之外，靶向分析方法相比盲源分析方法尽管鲁棒性更高，但是仍容易受到非故障周期干扰成分的影响，尤其是对于循环平稳信号，现有靶向分析方法的抗干扰能力有限，故障诊断的准确率不高。

发明内容

为了克服上述技术的缺点，本发明的目的在于提供一种用于故障特征增强的最优解调频带确定方法，实现滚动轴承、齿轮等回转机械故障的最优解调频带的有效确定，该方法不仅对噪声的抑制能力较强，对信号中的周期性干扰成分的鲁棒性也更高，可有效提高滚动轴承、齿轮等回转机械的故障可检测性。

为了达到上述目的，本发明提出了一种用于故障特征增强的最优解调频带确定方法，其包括以下步骤：

步骤一，将振动加速度传感器吸附于滚动轴承的轴承座上，进行高频采样，在稳定转速f₀下得到振动信号，f₀被称为轴转频，根据采样频率fs，截取一段时间内的振动信号作为原始信号x(t)；

步骤二，根据轴承的几何参数及参考轴转频f₀，计算外圈故障特征频率f_out，内圈故障特征频率f_inn，滚动体故障特征频率f_bal；

利用故障特征频率设置滑移滤波器组，滤波器的带宽为Bw：

Bw＝8×max{f_out,f_inn,f_bal}

滑移频率为step：

step＝min{f_out,f_inn,f_bal,Bw/20}

其中，f_out为外圈故障特征频率，f_inn为内圈故障特征频率，f_bal为滚动体故障特征频率max{}与min{}分别表示取最大值与最小值；