[发明专利]基于包络谱形态拟合的滚动轴承故障特征自动提取方法

说明书

一种基于包络谱形态拟合的滚动轴承故障特征自动提取方法，先利用振动加速度传感器获得滚动轴承的故障振动信号；再选用AR自回归模型与Morlet小波变换对采集到的故障振动信号进行预处理；然后对故障振动信号作包络谱分析；再通过提取的频率判断滚动轴承故障类型；然后构建拟合曲线，计算拟合曲线与预处理后的包络谱的互相关值；再选取步长，增大拟合曲线的周期，并重复遍历拟合曲线周期取值范围内的有效取值；最后计算最大互相关值对应的故障特征频率，该频率即为自动提取的滚动轴承故障特征频率；本发明实现滚动轴承内圈及滚动体故障特征频率参数的自动提取，提高轴承故障诊断技术的智能化水平。

技术领域

本发明涉及滚动轴承故障诊断技术领域，具体涉及一种基于包络谱形态拟合的滚动轴承故障特征自动提取方法。

背景技术

滚动轴承是各种旋转机械中应用最为广泛的通用部件之一，它的运行状态正常与否直接影响到整台机器的工作状况；振动诊断是滚动轴承故障诊断最为有效的方式之一，包络检测是滚动轴承故障振动诊断的一种有效方法，在实际检测中得到了广泛的应用。滚动轴承的故障特征参数，主要包括外圈、内圈和滚动体故障特征频率。

但是，由于轴承润滑、运行状态、磨损、游隙变化等因素影响，通过公式计算的轴承故障特征阶次数值难以精确获取；此外，对于滚动轴承外圈故障，在包络谱中仅存在突出的外圈故障特征频率及其倍频分量，易于识别；然而对于内圈与滚动体故障，由于分别受到转频与保持架特征频率的调制，因此内圈故障特征频率或滚动体故障特征频率存在边频的影响，难以自动捕获准确的内圈或滚动体故障特征频率。目前关于滚动轴承故障特征参数的提取基本上依赖数据分析人员通过人工进行识别，分析成本高且效率低下。因此，实现滚动轴承故障特征参数的自动提取能够使轴承诊断更加方便智能，对于实现轴承诊断的自动化、智能化具有十分重要的意义。

发明内容

为了克服上述现有技术缺点，本发明的目的在于提供一种基于包络谱形态拟合的滚动轴承故障特征自动提取方法，基于已识别的故障滚动轴承振动信号，实现滚动轴承内圈及滚动体故障特征频率参数的自动提取，提高轴承故障诊断技术的智能化水平。

为达到上述目的，本发明采用的技术方案为：

一种基于包络谱形态拟合的滚动轴承故障特征自动提取方法，包括以下步骤：

步骤一，利用振动加速度传感器获得滚动轴承的故障振动信号；

步骤二，选用AR自回归模型与Morlet小波变换对采集到的故障振动信号进行预处理，滤除故障振动信号中的噪声，提高故障振动信号的信噪比；

步骤三，对预处理后的故障振动信号作包络谱分析；

步骤四，截选包络谱中0Hz至5倍转频的范围，并提取范围内的幅值最大的前5个值对应的频率，通过提取的频率判断滚动轴承故障类型；

步骤五，构建拟合曲线；

步骤六，计算拟合曲线与预处理后的包络谱的互相关值；

步骤七，选取步长s，增大拟合曲线的周期T，并重复步骤五～步骤七，直至遍历拟合曲线周期取值范围内的有效取值；

步骤八，计算最大互相关值对应的故障特征频率，该频率即为自动提取的滚动轴承故障特征频率。

所述步骤一中利用振动加速度传感器分别采集滚动轴承在内圈故障、外圈故障以及滚动体故障三种状态下的故障振动信号。

所述的步骤二中对故障振动信号x(t)的预处理的过程如下：

计算AR自回归模型的第k个数据点x_k：