[发明专利]变转速火车滚动轴承故障特征频率提取方法

摘要

本发明公开了一种变转速火车滚动轴承故障特征频率提取方法，属于故障诊断与信号处理技术领域，包括以下步骤通过对变转速轴承振动信号进行时频域分析和局部峰值搜索，提取出不同时刻转速对应的瞬时频率值；采用神经网络对瞬时频率进行拟合，获取参考主轴的转速曲线，在此基础上对原始信号进行等角度重采样和阶比分析；引入固定点独立分量分析和谱峰搜索技术，对混合阶比信号进行分离，获得轴承故障部件的阶比分量特征。本发明提供一种无需转速计的火车轴承转速实时估计方法，能够将非平稳的故障轴承信号转换为等角度域的平稳信号，有效分离出独立的阶比分量，更加有利于火车轴承故障特征频率提取及在线检测。

主权项

变转速火车滚动轴承故障特征频率提取方法，其特征在于包括以下步骤：步骤一、利用短时傅立叶变换方法对变转速轴承振动信号进行时频分析，局部搜索时频能量分布中能量最大的频率点，提取出不同时刻主轴转速对应的瞬时频率；(1)给定轴承的振动信号x(n)，对其做离散的短时傅里叶变换，具体计算方法是：F(k,f)=Σn=-∞n=∞x(n)w*(n-k)e-j2πnf---(1)]]>其中，w*(·)表示窗函数的共轭复数，F(k,f)表示信号在分析时间k频率f处的频谱；(2)通过求时‑频分布函数的模平方，可得振动信号的时‑频能量分布P(k,f)＝|F(k,f)|2；(3)采用局部峰值搜索方式，获取主轴的瞬时频率f，具体方式是：截取轴承实际变速运转过程中相对平稳的时间窗进行分析，估计每个时间窗内理论转频值，假设t0时刻转频估计值为f0,估计误差Δf,则以区间[f0‑Δf,f0+Δf]的最大值作为该时刻的转频跟踪值，同时作为下一时刻的频率估计中心的更新值；需要说明的是，算法不限定转频的基频特征，若是转频成分能量较小，则搜索能量较高的转频高次谐波进行跟踪，然后换算为转频的基频；照此方法逐步搜索，直到搜索完所有时间，获取主轴的实时瞬时频率；步骤二、设计BP(Back Propagation)神经网络的瞬时频率拟合模型，计算火车滚动轴承主轴的实时转速；(1)建立三层神经网络模型，其中，输入层的神经元数为1，以离散时间点作为输入向量；输出层神经元数为1，以离散时间点对应的瞬时频率作为训练函数的目标向量；隐含层的神经元数，可根据下面的经验公式得到：n=p+q+β---(2)]]>其中，β为无量纲的修正参数，β＝1～10，p为输入神经元数，q为输出神经元数；根据隐含层神经元数的取值范围，设计可变的BP神经网络模型，通过误差比较最终确定隐含层神经元的数量；(2)以均方误差函数作为神经网络计算结果与期望输出之间的偏差，计算方法如下：J=12Σk=1q(yko-y‾k)2---(3)]]>其中，分别表示k时刻神经网络计算得到输出频率值和理想输出频率值；若误差J小于给定的最小正数,则神经网络训练结束，从而得到时间‑瞬时频率曲线；(3)依据轴承主轴转速r与瞬时频率f之间关系:r＝60*f，以及时间‑频率曲线，可计算得到轴承的实时转速；步骤三、依据轴承的实时转速信息，对振动信号进行等角度的重采样，将原始信号变换到角度域的平稳信号；步骤四、采用固定点独立分量分析方法，对混合阶比信号进行分离；(1)对混合阶比信号x进行中心化处理，得到均值为0的新数据x＝x‑E(x)，其中E(x)表示x的均值；(2)对去均值后的信号数据进行白噪声化处理，具体过程是：对x进行奇异值分解x＝UΣV′，其中，Σ是准对角阵，U和V都是正交归一化的方阵，V′是V的转置矩阵，对x的协方差阵C做如下分解：C＝xx′＝[UΣV′][VΣ'U′]＝UΣ2U′＝UΛU′        (4)其中，表示特征值矩阵，λi(i＝1,2,...,m)为C的特征根，且λi＞0，U＝[u1,u2,…,um]是特征矢量矩阵，为奇异值分解中的左奇异阵；用变换算子s＝Λ‑1/2U′乘数据x，得到均值为0、不相关、单位方差为1的新数据Z：Z＝sx＝Λ‑1/2U′x      (5)(3)通过分离结果的非高斯性度量来表示分离结果间的相互独立性，这里采用熵的修正形式负熵来度量非高斯性，也即以负熵最大化作为分离混合阶比信号的评价指标，负熵的具体方法是：Ng(Z)＝H(ZGauss)‑H(Z)      (6)其中，ZGauss是与Z具有相同方差的高斯随机变量，H(·)为随机变量的微分熵，在具有相同方差的随机变量中，高斯分布的随机变量具有最大的微分熵，非高斯性越强，其微分熵越小，Ng(Z)值越大，考虑到Z的概率密度分布函数是未知的，采用如下近似公式：Ng(Z)＝E(g(Z))‑E(g(ZGauss))2       (7)其中，E(·)为均值运算，g(·)为非线性函数，且g的选取并不惟一，这里选(4)寻找一个方向使得阶比估计值Y＝W'X具有最大非高斯性，这里W指分离矩阵，采用牛顿迭代法求解，为简化矩阵的求逆，且由于数据被白化，等于约束W的范数为1，采用如下简化的迭代公式：W(k+1)=E[Z·g(W′(k)·Z)]-E[g‾(W′(k)·Z)]·W(k)---(8)]]>表示函数g(·)的导数，E[·]表示求平均；(5)任意选择初始分离矩阵W(k)，要求W(k)的2‑范数||W(k)||2＝1，根据公式(8)，通过反复迭代计算，直至收敛，得到初步分离的信号；步骤五、采用谱峰搜索处理分离信号，获得故障部件阶比分量特征，具体方法是：利用短时傅里叶变换进一步分析分离信号，通过谱峰搜索找出分离信号中能量最大的分量，记录其瞬时频率，然后根据频率信息对信号进行重构，去除能量低的其他信号分量，提取所需信号分量，获得故障部件的阶比分量特征。