[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

说明书

本发明提供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故障信号进行去噪处理；S2：进行时域内的特征提取，获得信号健康状态特征；S3：进行特征提取，获得谱特征；S4：进行特征提取，获得熵特征；S5：进行特征提取，获得多重分形维数特征；S6：建立关于滚动轴承故障的精细画像；S7：确定滚动轴承故障的发生位置。本发明的一种基于信号多维度精细画像的滚动轴承故障诊断方法，采用多种方法从不同的角度提取故障特征建立滚动轴承故障的精细画像，通过融合多角度提取到的故障特征进而展现出完整的滚动轴承故障特征，从而准确的诊断出故障发生的位置。

技术领域

本发明涉及滚动轴承故障诊断领域，尤其涉及一种基于信号多维度精细画像的滚动轴承故障诊断方法。

背景技术

目前用于滚动轴承故障特征提取的主要技术首先是使用去噪技术对采集到的数据先进行去噪处理，如：小波阈值、空域相关、巴特沃斯带通滤波器等，这些方法在通过选择合适的参数值后一定程度上是可以对滚动轴承故障信号进行去噪处理。而后采用不同的特征提取方法对去噪后的滚动轴承故障信号进行相应的特征提取。如：最大相关峭度解卷积(MCKD)和包络谱、复合多尺度散布熵等，其中最大相关峭度解卷积(MCKD)和包络谱是在最小熵解卷积的基础上改进而来的一种用于微弱故障信号的特征提取，复合多尺度散布熵改善了多尺度熵所存在熵值不精确、波动较大等问题。

小波阈值、空域相关、巴特沃斯带通滤波器等方法虽然可以通过选取合适的参数来达到一定效果的去噪，但是这些参数需要人为去设置很难在众多的参数中选择出最合适的，而且在使用小波阈值去噪时硬阈值函数会出现奇异点，而软阈值函数在小波域是连续的，其小波估计的系数会与实际值相差一个阈值t，即在信号中会存在一定的偏差，而空域相关在设置处理相关系数的阀值时比较困难，同时巴特沃斯带通滤波器在对信号进行去噪时会出现偏移、失真等问题。对于最大相关峭度解卷积和包络谱虽然可以在微弱故障信号下进行特征提取，但是要求事先拥有故障周期设置的知识，同时在滤波器设计时也会增加时间成本。复合多尺度散布熵虽然改善了多尺度熵存在熵值不精确、波动较大的问题，但是不能解决样本时间序列太短引起未定义熵问题。

发明内容

针对上述现有技术中的不足，本发明提供一种基于信号多维度精细画像的滚动轴承故障诊断方法，采用多种方法从不同的角度提取故障特征建立滚动轴承故障的精细画像，通过融合多角度提取到的故障特征进而展现出完整的滚动轴承故障特征，从而准确的诊断出故障发生的位置。

为了实现上述目的，本发明提供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。

优选地，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。

优选地，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；