[发明专利]基于信号多维度精细画像的滚动轴承故障诊断方法

权利要求书

1.一种基于信号多维度精细画像的滚动轴承故障诊断方法，包括步骤：

S1：采用提升小波对所采集的一滚动轴承的故障信号进行去噪处理；

S2：对去噪后的所述故障信号进行时域内的特征提取，获得信号健康状态特征；

S3：对去噪后的所述故障信号进行特征提取，获得谱特征；

S4：对去噪后的所述故障信号进行特征提取，获得熵特征；

S5：对去噪后的所述故障信号进行特征提取，获得多重分形维数特征；

S6：利用所述信号健康状态特征、所述谱特征、所述熵特征和所述多重分形维数特征建立关于所述滚动轴承故障的精细画像；

S7：利用所述滚动轴承故障的精细画像确定所述滚动轴承故障的发生位置。

2.根据权利要求1所述的基于信号多维度精细画像的滚动轴承故障诊断方法，其特征在于，所述信号健康状态特征包括无量纲特征，所述无量纲特征包括峰值因子、脉冲因子、裕度因子和峭度因子。

3.根据权利要求2所述的基于信号多维度精细画像的滚动轴承故障诊断方法，其特征在于，所述谱特征包括低转速滚动轴承的故障特征和滚动轴承早期故障特征；所述S3进一步包括步骤：

S31：采用连续小波分析的应力波法，运用有限元数值分析方法建立所述滚动轴承的力学模型，通过对应力波信号进行多尺度分解与重构处理后从重构波形上提取信号故障特征频率，完成对所述低转速滚动轴承的故障特征的提取；

S32：采用多点最优最小熵解卷积修正和平方包络谱对所述滚动轴承的去噪后的所述故障信号进行特征提取，提取所述滚动轴承早期故障特征。

4.根据权利要求2所述的基于信号多维度精细画像的滚动轴承故障诊断方法，其特征在于，所述熵特征包括EMD熵特征和精细复合多尺度熵特征，所述EMD熵特征包括EMD奇异熵和EMD样本熵；

所述S4步骤进一步包括步骤：

S41：使用EMD方法将所述滚动轴承去噪后的所述故障信号进行分解；

S42：分别计算IMF的所述EMD奇异熵和所述EMD样本熵并进行融合，获得所述EMD熵特征；

S43：提取所述精细复合多尺度熵特征。

5.根据权利要求4所述的基于信号多维度精细画像的滚动轴承故障诊断方法，其特征在于，所述S42步骤后还包括步骤，采用KPCA特征抽取方法对所述EMD熵特征进行降维融合。

6.根据权利要求2所述的基于信号多维度精细画像的滚动轴承故障诊断方法，其特征在于，所述多重分形维数特征包括第一故障特征和第二故障特征；所述S5步骤进一步包括步骤：

S51：采用局部特征尺度分解和形态学分形维数对所述滚动轴承的去噪后的所述故障信号进行特征提取，获得所述第一故障特征；

S52：采用变分模态分解和广义分形维数对所述滚动轴承的去噪后的所述故障信号进行特征提取，获得所述第二故障特征；

S53：将所述第一故障特征和所述第二故障特征结合形成所述多重分形维数特征。