[发明专利]基于自适应小波能量的旋转机械故障特征提取方法

摘要

本发明为基于自适应小波能量的旋转机械故障特征提取方法，本发明首先在机械故障综合模拟实验台上采集转子振动信号，然后针对信号能量特征受转速和采样频率影响的问题，采用一种新的自适应小波能量特征提取方法，完成对旋转机械的转子不平衡故障、不对中故障、轴承座松动故障的有效特征提取。同时为了保留旋转机械振动信号更多的原始特征，并且克服传统去噪方法在阈值处分别存在恒定偏差和不连续以及参数不可调的问题，在该方法中嵌入了一种新型的阈值函数进行去噪。该方法在机械故障模拟实验台上取得了较好的效果，提取的能量特征能有效区分出不同的故障类型。

主权项

基于自适应小波能量的旋转机械故障特征提取方法，其特征在于：本方法首先在机械故障综合模拟实验台上采集转子振动信号，然后针对信号能量特征受转速和采样频率影响的问题，采用一种自适应小波能量特征提取方法，完成对旋转机械的转子不平衡故障、不对中故障、轴承座松动故障的有效特征提取；同时为了保留旋转机械振动信号更多的原始特征，并且克服传统去噪方法在阈值处分别存在恒定偏差和不连续以及参数不可调的问题，在该方法中嵌入了一种阈值函数进行去噪；实现步骤如下，1)信号采集；利用加速度传感器和NI信号采集设备,在MFS机械故障综合模拟实验台上以采样率f_s采集转子正常振动信号和不平衡、不对中、轴承座松动三类转子故障信号，转子旋转频率为f_n；实验台由基座、轴承座、轴承、转轴、负重块组成，控制器控制电动机转速，由电动机带动，通过转速传感器获知转速,在轴承座上垂直安装加速度传感器测量转子振动信号，NI 9234模块和NI 9171便携式机箱配合计算机进行振动信号的采集；2)对信号进行重采样；旋转机械的故障信号通常在精确的倍频或分频处有明显的突出幅值，即故障特征频率与旋转频率f_n成比例关系，显然,信号的倍频特征是不会随着转速频率f_n的变化而变化的；那么,根据Fourier变换定理，对输入信号x(t)进行尺度为f_n的变换,有如果对时间扩展后的时域信号x(f_nt)以时间间隔Δt_s进行采样,那么相当于对原始信号x(t)以Δt_s/f_n的间隔进行采样；频率压缩后的信号采样的时间间隔Δt_s，直接由小波分解后得到的最高倍频决定；通常,转子故障信号的频率特征需要满足最高倍频在10倍以上；因此,Δt_s需要满足Δt_s＜(1/2)/10＝0.05；这里选用Δt_s＝0.01；Δt_s确定后，对原始振动信号按Δt_s/f_n进行重采样；3)确定小波分解层数并对重采样信号进行小波分解；小波分析是一种信号时频分析方法，每次对分解后的低频信号继续分解；信号经小波分解后在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率；通过小波变换可以将研究对象分解到不同尺度的空间进行分析和处理,然后根据需要进行相应的重构；信号x(t)的连续小波变换为：$\left(W_{\mathrm{\Ψ}}x\right)(a,b)=\<x,{\mathrm{\Ψ}}_{a,b}\>=\left|a{|}^{-1/2}\underset{R}{\∫}x\right(t)\stackrel{\‾}{\mathrm{\Ψ}\left(\frac{t-b}{a}\right)}dt,$连续小波函数为小波基函数ψ(t)经过b及a变化而形成的小波函数簇，其中，a为尺度参数，a＞0，b∈R为平移参数；将尺度参数a和平移参数b作离散化：其中j∈Z,a₀≠1；小波函数的离散化即离散小波函数${\mathrm{\Ψ}}_{j,k}\left(t\right)=a_0^{-j/2}\mathrm{\Ψ}\left(\frac{t-{\mathrm{ka}}_0^j{b}_0}{a_0^j}\right)=a_0^{-j/2}\mathrm{\Ψ}(a_0^{-j}t-{\mathrm{kb}}_0),$信号x(t)的离散小波变换系数为${\mathrm{\ω}}_{j,k}=\<x\left(t\right),{\mathrm{\Ψ}}_{j,k}\left(t\right)\>={\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}x\left(t\right)\stackrel{\‾}{{\mathrm{\Ψ}}_{j,k}\left(t\right)}dt,$ω_j,k表示j尺度下点k位置的小波变换系数；小波分解的层数m由分解后得到的最低倍频确定，通常,转子故障信号的频率特征需要满足最低倍频在0.5倍以下；因此，小波分解层数m需要满足在Δt_s＝0.01时，m>6.64,取m＝7；分解层数确定后，对重采样的振动信号进行m层的db5小波分解；4)小波阈值去噪；在旋转机械振动信号采集过程中，由于现场环境和设备的干扰，使得正常信号中混入噪声；为消除噪声获得有用信号，采用小波阈值去噪方法；信号通过小波分解后，有用信号对应的小波系统比较大，而噪声信号所对应的小波系数比较小，因此设定合适的阈值，对小于阈值的系数置零，大于阈值的系数保留或置零；对阈值处理后的小波系数进行小波逆变换，即信号重构，就完成了整个的小波阈值去噪过程；由于下一步要在小波系数基础上进行分频段能量特征提取，这一步中只进行小波系数阈值处理；为保留旋转机械振动信号更多的原始特征，克服传统阈值函数量化方法的缺陷，设计了一种新型的阈值去噪函数量化方法如下式${\widehat{\mathrm{\ω}}}_{j,k}=\left\{\begin{array}{c}sign\left({\mathrm{\ω}}_{j,k}\right)\·\left(\right|{\mathrm{\ω}}_{j,k}|-\mathrm{\α}\mathrm{\λ}+\frac{2\mathrm{\λ}\stackrel{\‾}{\mathrm{\α}(1-\∂)}}{\exp \left({\mathrm{\ω}}_{j,k}\right)}),\left|{\mathrm{\ω}}_{j,k}\right|\≥\mathrm{\λ}\\ 0,\left|{\mathrm{\ω}}_{j,k}\right|\<\mathrm{\λ}\end{array}\right.$其中，λ为设定的阈值，sign(·)为符号函数，ω_j,k为j尺度下点k位置的小波变换系数(未经阈值处理)，为对应的经阈值处理后的小波系数，在0和1之间适当调节参数的大小，可以获得更好的去噪效果；5)提取能量特征信号小波变换后的能量与原始信号能量等价；旋转机械不同故障状态下的振动信号差别较大，对应的小波分解后各频带内的能量也有所差别，根据各频带能量差异性可以判断旋转机械的故障类型；以阈值处理后的小波系数为基础，求取信号各频段能量；以m层小波分解为例，m个低频段和1个高频段由低到高依次编号为1,2，…m+1；各频段能量计算公式为：j＝1,2,…,m+1；式中，表示j尺度下点k处经阈值处理后的小波系数；因此，转子故障特征向量为T＝[E₁,E₂,...,E_m+1]。