本发明属于故障诊断技术与信号处理分析
技术领域：
，特别涉及一种强干扰下提取滚动轴承故障特征的方法。
背景技术：
：滚动轴承作为旋转机械的重要支撑零部件之一，设备的正常工作与否同其运行状态好坏紧密相关。通过分析振动信号，提取故障特征以诊断滚动轴承故障的方法被广泛应用。然而，实际工况下采集到的振动信号在受到强干扰时，故障信号易被背景噪声淹没而难以提取。为削弱背景噪声中的强干扰影响，需对原始信号先降噪再提故障特征。变模式分解(variationalmodedecomposition，vmd)是一种自适应的信号处理方法，可有效分离信号至不同频段以提取有用信息。与经验模态分解(empiricalmodedecomposition，emd)和集合经验模态分解(ensembleempiricalmodedecomposition,eemd)方法相比，vmd能够有效克服端点效应和模态混叠的影响，具有较强的抗噪能力，且理论充分。该方法在自适应分解过程中，以寻找变分模型最优解为目的更新迭代，进而确定各固有模态分量(intrinsicmodefunction，imf)。利用vmd方法的完备性特点，通过叠加各imf可重构原始信号。在分析滚动轴承的故障信号时，通过选则合适的imf来重构信号，可以降低噪声干扰，增强故障特征。但要注意的是，imf的选取存在问题，一旦误选则会导致重构信号中的有用信息丢失，不益于提取故障特征。且当噪声干扰较强，故障特征相对微弱时，上述问题更加显著。故障滚动轴承运行时，会产生一系列的冲击信号，通过计算信号的峭度可反映其脉冲性，帮助诊断故障。但当轴承故障信号中存在异常冲击或强周期成分等干扰时，直接使用峭度不能有效表征故障冲击特征。因此，强干扰下直接通过峭度选择imf重构信号提取滚动轴承故障特征时上述方法并不适用，有必要使用新的方法来克服强干扰的影响。技术实现要素：为了克服上述现有技术的缺陷，本发明的目的在于提供了一种强干扰下提取滚动轴承故障特征的方法，通过使用vmd分解原始信号为一系列的imf分量，然后计算各imf分量均方包络函数的四阶矩和其窄带滤波后的四阶矩，再根据上述结果得出各imf分量的峭度率，最后选取峭度率较大的imf分量重构信号，并利用均方包络分析提取重构信号中的有用信息，解决了强干扰下滚动轴承故障特征不易提取的问题。为了达到上述目的，本发明的技术方案是：一种强干扰下提取滚动轴承故障特征的方法，所述方法的具体步骤如下：step1、利用振动传感器以及相关数据采集设备采集滚动轴承的振动信号x(t)；step2、将vmd方法用于信号x(t)的分解，得到n个imf分量xi(t)，i＝1,2,…,n，各imf分量xi(t)具有不同的中心频率，且n个估计带宽之和最小；step3、根据hillbert变换计算步骤step2所得分量xi(t)的包络函数，再使用取平方的方法增强信号中的冲击成分，得到均方包络函数，以上操作从能量波动的角度提取滚动轴承的故障冲击特征；此外，考虑到故障冲击序列的周期性，用自相关分析方法进一步处理分量xi(t)的均方包络函数，得到新分量信号yi(t)；step4、对步骤step3中所得新分量信号yi(t)进行窄带滤波，滤波频带为包含滚动轴承理论故障特征频率的窄带(l,h)，得到滤波后的信号fi(t)，然后计算信号fi(t)的四阶矩m4f(i)和信号yi(t)的四阶矩m4y(i)，最后将上述四阶矩作比值处理m4f(i)：m4y(i)，得到各imf分量的峭度率kr(i)；step5、比较步骤step4中的峭度率kr(i)，选取超过最大峭度率二分之一imf分量的对应序号，并以此为依据，选取步骤step2中所对应的信号xi(t)进行叠加，得到降噪后的重构信号z(t)；step6、提取重构信号z(t)中的故障特征，首先使用均方包络分析法增强信号中的循环冲击，然后利用傅里叶变换将其转换至频域，得到含有明显故障信息的频谱y(f)，完成强干扰下的滚动轴承故障特征提取。所述步骤step1中，所述的振动传感器为加速度传感器。所述步骤step4中，所用四阶矩为四阶中心矩。本发明的有益效果是：通过计算vmd分解后各imf分量的均方包络自相关函数，消除了信号中的异常冲击等干扰噪声，增强循环冲击成分，利用峭度率作为滚动轴承故障imf分量的选择依据，削弱了旋转机械信号中的齿啮合成分、转频成分等周期干扰，然后计算降噪后信号的均方包络谱，提取滚动轴承的故障特征。采用本发明益于在复杂工况下诊断滚动轴承的微弱故障，适用于智能轴承的故障自诊断分析。附图说明图1是本发明方法步骤流程图。图2是本发明实施例中原始信号。图3是本发明图2经本发明方法得到的频谱。图4是本发明图2经包络分析方法得到的频谱。具体实施方式下面结合附图和具体实施方式对本发明做详细叙述。如图1所示，一种强干扰下提取滚动轴承故障特征的方法，所述方法的具体步骤如下：具体参数如下：1)使用所述方法分析美国凯斯西储大学提供的滚动轴承故障数据，选择的轴承型号为6205型skf滚动轴承，其滚球直径大小为7.94mm，滚球与滚道的接触角为0°，滚球的总数为9个，外圈直径大小为52mm，内圈直径大小为25mm；2)滚动轴承存在0.356mm的内滚道单点损伤；3)采集实施例中的滚动轴承的转频是29.1667hz，采样频率是48000hz。step1、利用固定在驱动电机侧轴承座上的加速度传感器和相关数据采集设备采集振动信号x(t)，原始信号如图2所示，点划线对应的时间间隔为1/fr，fr为转频，可以发现原始信号受到较强的转频干扰；step2、使用vmd方法分解原始信号x(t)，得到7个imf分量xi(t)，i＝1,2,…,7，各imf分量xi(t)具有不同的中心频率，且所得imf分量的7个估计带宽之和最小；step3、根据hillbert变换计算步骤step2所得分量xi(t)的包络函数|h(xi(t))|，再使用取平方的方法增强信号中的冲击成分，以上操作从能量波动的角度提取滚动轴承的故障冲击特征；此外，考虑到故障冲击序列的周期性，自相关分析方法被用于进一步处理xi(t)的均方包络函数|h(xi(t))|2，得到新分量信号yi(t)；step4、对步骤step3中所得信号yi(t)进行窄带滤波，由于滚动轴承的理论故障特征频率为157.944hz，故使用低截止频率为156hz，高截止频率为160hz的滤波器窄带滤波，得到滤波后的信号fi(t)；然后计算信号fi(t)的四阶矩和信号yi(t)的四阶矩，并利用式(1)计算出7个imf分量的峭度率kr(i)。kr(i)＝m4f(i)/m4y(i)(1)各imf分量的峭度率计算结果如表1所示：表1节点信号位置imf分量1234567峭度率0.011440.000480.001090.000420.001080.008680.06901step5、比较表1中各imf分量的峭度率计算结果，得到最大峭度率为0.06901，其1/2值为0.0345，选取超过最大峭度率二分之一的imf分量，该例中满足条件的为imf分量7。因此，使用分量x7(t)重构信号，得到降噪后的重构信号z(t)；step6、使用均方包络分析法计算信号z(t)的均方包络函数，然后利用傅里叶变换将其转换至频域，得到含有明显故障信息的频谱y(f)，如图3所示。图3中共有3组点划线，每组点划线又包含3条点划线，分别对应滚动轴承内圈1阶至3阶的故障特征频率及其边带频率，可以发现，由未注释黑点标注的滚动轴承内圈故障特征频率清晰可见，克服了转频强干扰等噪声的影响，滚动轴承的内圈故障被有效诊断。为对比分析，使用滚动轴承故障诊断时较有效的包络分析方法处理同一组信号，所得结果如图4所示。图中，转频干扰fr明显，而未注释黑点标注的滚动轴承内圈故障特征频率不能被有效识别，难以据此诊断滚动轴承内圈故障。因此，强干扰下本发明方法能够提取到滚动轴承的故障特征。上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。当前第1页1 2 3
技术特征：1.一种强干扰下提取滚动轴承故障特征的方法，其特征在于，具体步骤如下：
step1、利用振动传感器以及相关数据采集设备采集滚动轴承的振动信号x(t)；
step2、将vmd方法用于信号x(t)的分解，得到n个imf分量xi(t)，i＝1,2,…,n，各imf分量xi(t)具有不同的中心频率，且n个估计带宽之和最小；
step3、根据hillbert变换计算步骤step2所得分量xi(t)的包络函数，再使用取平方的方法增强信号中的冲击成分，得到均方包络函数，以上操作从能量波动的角度提取滚动轴承的故障冲击特征；此外，考虑到故障冲击序列的周期性，用自相关分析方法进一步处理分量xi(t)的均方包络函数，得到新分量信号yi(t)；
step4、对步骤step3中所得新分量信号yi(t)进行窄带滤波，滤波频带为包含滚动轴承理论故障特征频率的窄带(l,h)，得到滤波后的信号fi(t)，然后计算信号fi(t)的四阶矩m4f(i)和信号yi(t)的四阶矩m4y(i)，最后将上述四阶矩作比值处理m4f(i)：m4y(i)，得到各imf分量的峭度率kr(i)；
step5、比较步骤step4中的峭度率kr(i)，选取超过最大峭度率二分之一imf分量的对应序号，并以此为依据，选取步骤step2中所对应的信号xi(t)进行叠加，得到降噪后的重构信号z(t)；
step6、提取重构信号z(t)中的故障特征，首先使用均方包络分析法增强信号中的循环冲击，然后利用傅里叶变换将其转换至频域，得到含有明显故障信息的频谱y(f)，完成强干扰下的滚动轴承故障特征提取。
2.根据权利要求1所述的一种强干扰下提取滚动轴承故障特征的方法，其特征在于，其特征在于：所述步骤step1中，所述的振动传感器为加速度传感器。
3.根据权利要求1所述的一种强干扰下提取滚动轴承故障特征的方法，其特征在于，其特征在于：所述步骤step4中，所用四阶矩为四阶中心矩。
技术总结一种强干扰下提取滚动轴承故障特征的方法，属于故障诊断技术与信号处理分析技术领域，使用振动传感器采集滚动轴承加速度振动信号，使用VMD将加速度振动信号分解为一系列的IMF分量，然后计算各IMF分量均方包络函数的四阶矩和其窄带滤波后的四阶矩，再根据上述结果计算各IMF分量的峭度率，最后选取峭度率较大的IMF分量重构信号，并利用均方包络分析提取滚动轴承的故障特征；本发明给出了一种背景噪声中存在较强干扰时提取滚动轴承故障特征的方法，为实现智能轴承的自诊断功能提供了一种有效的诊断工具。
技术研发人员：闫柯;康伟;朱永生;洪军;刘煜炜;袁倩倩;高大为
受保护的技术使用者：西安交通大学
技术研发日：2020.01.19
技术公布日：2020.06.05
