[发明专利]基于振动信号密度分布的风机轴承故障特征提取方法

权利要求书

1.一种基于振动信号密度分布的风机轴承故障特征提取方法，其特征在于，包括以下步骤：

步骤S1：收集振动信号

收集风机待提取故障特征同型号的所有滚动轴承的振动信号，并将振动信号处理成时域曲线；

步骤S2：处理轴承故障样本数据

(1)将滚动轴承转动一圈的度数划分成W个相等的区间，W≥8；

将滚动轴承转动一圈的振动量用振动量柱状图表示，设滚动轴承转动一圈的周期为T，i表示第i个周期，j表示第j个区间，振动量柱状图的横坐标为区间序号，纵坐标为时域曲线提取的振动量；每个振动量柱状图中的每个柱对应1个区间，振动量柱状图中柱的高度为对应区间内振动量振幅的平均值；

轴承转动n圈，则每个滚动轴承可以得到n个振动量柱状图，分别将n个振动量柱状图中相同区间的高度值求平均值，求得轴承转动n圈不同区间振动量振幅的平均值，得到轴承转动n圈的平均振动量振幅柱状图用于表示滚动轴承按照角度区间量化后的平均振动量的分布情况；

(2)将滚动轴承每个区间内的原始振动信号经过快速傅里叶变换，得到每个区间的振动频谱图；在每个振动频谱图内统计该区间频率，取纵坐标最大处的频率作为该区间的振动频率，从而得到每个区间的振动频率；

将滚动轴承转动一圈的振动频率用振动频率柱状图表示，振动频率柱状图的横坐标为区间序号，纵坐标为振动频率，每个振动频率柱状图中的每个柱对应1个区间，振动频率柱状图的高度为对应区间内的振动频率；

轴承转动n圈，则每个滚动轴承可以得到n个振动频率柱状图，分别将n个振动频率柱状图中相同区间的高度值求平均值，求得轴承转动n圈不同区间振动频率的平均值，得到轴承转动n圈的振动频率分布柱状图用于表示滚动轴承按照角度区间量化后的振动频率的分布情况；

(3)将时域曲线提取的每个区间的振动量采样值求和，得到每个区间的总振动量；

将滚动轴承转动一圈的总振动量用总振动量柱状图表示，总振动量柱状图的横坐标为区间序号，纵坐标为总振动量，每个总振动量柱状图中的每个柱对应1个区间，总振动量柱状图的高度为对应区间内的总振动量；

轴承转动n圈，则每个滚动轴承可以得到n个总振动量柱状图，分别将n个总振动量柱状图中相同区间的高度值求平均值，求得轴承转动n圈不同区间总振动量的平均值，得到轴承转动n圈的总振动量分布柱状图用于表示滚动轴承按照角度区间量化后的总振动量的分布情况；

(4)原始振动信号中每个区间内的振动量的峰峰值即为每个区间的最大振动量；

将滚动轴承转动一圈的最大振动量用最大振动量柱状图表示，最大振动量柱状图的横坐标为区间序号，纵坐标为最大振动量，每个最大振动量柱状图中的每个柱对应1个区间，最大振动量柱状图的高度为对应区间内的最大振动量；

轴承转动n圈，则每个滚动轴承可以得到n个最大振动量柱状图，分别将n个最大振动量柱状图中相同区间的高度值求平均值，求得轴承转动n圈不同区间最大振动量的平均值，得到轴承转动n圈的最大振动量分布柱状图用于表示滚动轴承按照角度区间量化后的最大振动量的分布情况；

步骤S3：振动信号特征提取

(1)转化

按照下式，分别将平均振动量振幅柱状图振动频率分布柱状图总振动量分布柱状图最大振动量分布柱状图的分布转化为密度函数，计算公式如下：

式中：y_j表示第j个区间上各柱状图的纵坐标值，p_j表示第j个区间上的值在总值上的占比；

(2)计算期望与方差

通过下式计算密度分布的期望μ：

式中：用x_j表示横坐标所在区间的表示的分区角度值，p_j表示第j个区间上的值在总值上的占比，

通过下式计算密度分布的方差：

(3)计算偏斜度S_k、陡峭度Ku、峰值点个数Pe：

偏斜度与陡峭度用来判断振动信号的概率密度分布相对于高斯分布的对称性和突起程度，其计算方法如下式：

定义峰值点：在一组振动信号序列中，若某点的数值比相邻两点的值都大，则这点可称为该区间的峰值点，一组信号中存在的峰值点个数记作Pe，Pe的寻找的方法如下：

设一组信号中的某点坐标为(x_i,y_i)，其前后两点的坐标为：(x_i-1,y_i-1)，(x_i+1,y_i+1)，当这三个点的数据满足下式时，可以判定该点即为一个峰值点：

y_i-y_i-1＞0且y_i+1-y_i＜0 (7)

(4)计算相似性C：

用相关系数法来计算两组分布的相似，用下式表示：

式中：p_j表示第j个区间上的值在总值上的占比；设W表示区间个数；

至此，共提取了斜度S_k、峭度Ku、峰值点个数Pe，相似性C共四组特征值；

(5)特征数列组成方式：

由平均振动量振幅柱状图提取一组特征数据[S_k1,K_e1,P_e1,C₁]，再由振动频率分布柱状图总振动量分布柱状图最大振动量分布柱状图可以提取另外三组特征数据组成16维向量：

A＝[S_k1,K_e1,P_e1,C₁，S_k2,K_e2,P_e2,C₂，S_k3,K_e3,P_e3,C₃，S_k4,K_e4,P_e4,C₄]

(6)特征数列预处理与降维：

采用PCA降维算法对上述16维向量进行降维，降维前，对样本数据做预处理：

轴承样本类型有四类：内圈故障、外圈故障、滚动体故障、健康，设它们的对应的编号为A、B、C、D，轴承转动n圈可以的获得一组16维向量，对于内圈故障，记作A₁，则获得k组16维向量，则需转n×k圈，可以得到A₁,A₂......A_k；同理对于外圈故障、滚动体故障、健康可得：B₁,B₂......B_k，C₁,C₂......C_k，D₁,D₂......D_k，共4×k组16维向量，完成数据预处理；

数据预处理完成后，用PCA降维算法将4×k组16维向量降成4×k组3维向量，至此，风机轴承故障特征提取工作完成。