一种基于快速非线性稀疏谱的轴承故障诊断方法与流程

1.本发明涉及振动信号智能故障诊断技术领域，具体涉及一种基于快速非线性稀疏谱的轴承故障诊断方法。


背景技术：

2.随着科技的发展以及现代化工业水平的提高，在车辆工程、轨道交通、航空航天等领域广泛使用的机械设备中，各种机械设备正朝着高速、高精、高效方向发展，使得机械设备结构日趋复杂，产生故障的隐患也随之增多。而传动部件是机械设备正常运转的重要机构，也是机械设备中不可缺少的部分。轴承作为一种常用的传动旋转部件，其性能的好坏直接影响着整个机械系统的正常运作，然而轴承的故障信号往往被淹没在环境噪声之中，不易被察觉。因此，建立一个可靠的健康监测系统，尽早定位轴承的早期故障，对合理延长机械设备使用寿命、减少周期性维护费用以及保证设备运行的安全性都具有重要的意义。
3.轴承作为齿轮箱中易出现故障的部件，如何对其早期故障进行高效、准确、智能的诊断，是非常具有实际意义的。由于峭度对冲击信号具有较高的敏感度，因此，传统的轴承故障提取方法中多以峭度作为稀疏度量指标，衡量稀疏度量能力有六个评价标准，但是，峭度作为一种常用的稀疏度量方式却只满足稀疏度量标准的的其中三个，而pq
‑
mean可以满足所有的稀疏度量标准，并且在一定pq值下，pq
‑
mean具有和峭度一样的稀疏表现形式。


技术实现要素：

4.本发明的目的是针对上述不足，提出了一种基于快速非线性稀疏谱的轴承故障诊断方法，采用pq
‑
mean的稀疏性指标作为选择共振频带的依据，抗干扰能力及故障诊断的准确性都得以提高。
5.本发明具体采用如下技术方法：
6.一种基于快速非线性稀疏谱的轴承故障诊断方法，包括以下步骤：
7.步骤1，将采集到的轴承故障振动信号y(n)作为输入样本。
8.步骤2，对采集的轴承故障振动信号样本进行z
‑
score归一化处理，使处理后的样本数据都被归一化到均值为0、标准差为1的分布中，并采用sigmoid函数进行非线性激活。
9.步骤3，根据采集的轴承故障振动信号谱特征，选择与快速非线性稀疏谱算法拟合程度最高的分解阶数作为信号处理的分解阶数。
10.步骤4，按照1/3
‑
二叉树结构结合最大分解阶数k划分频带，形成频率分割树状图。
11.步骤5，通过标准低通fir滤波器构造一组低通滤波器h0(n)和高通滤波器h1(n)，在根据所划分的树状结构迭代生成滤波器组。
12.步骤6，用构建好的滤波器组对每层划分的频带进行滤波，依次完成信号重构。
13.步骤7，判断最佳pq值和归一化系数，计算每层每个分量的pq
‑
mean值，并构建稀疏谱图表示诊断信息。
14.步骤8，定位最佳故障共振频带的中心频率f
c
和带宽b
w
,以此构建带通滤波器对信
号进行带通滤波，并获取冲击信号的特征。
15.步骤9，对提取的冲击信号进行包络解调，根据包络谱中的信息进行故障分析与诊断。
16.优选地，步骤2具体过程为：
17.将采集到的振动信号y(n)进行z
‑
score归一化处理，即y＝(y
‑
u
y
)/σ
y
，其中u
y
为待处理样本数据的均值，σ
y
为待处理样本数据的标准差；故障数据都被归一化到均值为0，标准差为1的分布中；然后通过激活函数y＝1/(1 e
‑
y
)进行非线性激活；z
‑
score归一化的系数会对故障诊断结果产生影响。
18.优选地，步骤7中，pq
‑
mean是有别于峭度的稀疏表达方式，其满足稀疏度量方式的六个理想标准，而峭度只满足其中三个标准，并且在一定pq值下，pq
‑
mean具有和峭度一样的稀疏表现形式，所述pq
‑
mean是对传统峭度作为稀疏表达方式的延伸；pq
‑
mean值计算公式为：
[0019][0020]
其中，n表示输入样本的个数，i表示第i个样本，p q表示可调节变量(对应的指数信息)，y表示输入样本。
[0021]
优选地，步骤8中，最佳共振频带是指pq
‑
mean值最大的频带，并根据此频带的中心频率f
c
和带宽b
w
以及频带所在层的层数k
i
对预处理后的振动信号进行带通滤波，获取故障特征信息。
[0022]
本发明具有如下有益效果：
[0023]
本发明记载的方法通过引入pq
‑
mean这一稀疏表达取代了传统的峭度稀疏表达方式，同时采用z
‑
score归一化和非线性激活函数对样本数据进行预处理，与已有的故障诊断方法相比，具有更好的准确性和鲁棒性。
附图说明
[0024]
图1为基于快速非线性稀疏谱的轴承故障诊断方法的流程示意图；
[0025]
图2为基于本发明记载的方法的不同条件下的轴承故障分析结果示意图，其中，(a)为原始信号，(b)为snr＝
‑
10db p＝3,q＝2归一化系数为0.9诊断结果，(c)为snr＝
‑
10db p＝10,q＝2归一化系数为0.9诊断结果，(d)为snr＝
‑
10db p＝10,q＝2归一化系数为1.2诊断结果。
具体实施方式
[0026]
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
[0027]
结合图1，基于快速非线性稀疏谱的轴承故障诊断方法，包括以下步骤：
[0028]
步骤1，将采集到的轴承故障振动信号y(n)作为输入样本。
[0029]
步骤2，对采集的轴承故障振动信号样本进行z
‑
score归一化处理，使处理后的样本数据都被归一化到均值为0、标准差为1的分布中，并采用sigmoid函数进行非线性激活，
具体过程为：
[0030]
将采集到的振动信号y(n)进行z
‑
score归一化处理，即y＝(y
‑
u
y
)/σ
y
，其中u
y
为待处理样本数据的均值，σ
y
为待处理样本数据的标准差；故障数据都被归一化到均值为0，标准差为1的分布中；然后通过激活函数y＝1/(1 e
‑
y
)进行非线性激活；z
‑
score归一化的系数会对故障诊断结果产生影响。
[0031]
步骤3，根据采集的轴承故障振动信号谱特征，选择与快速非线性稀疏谱算法拟合程度最高的分解阶数作为信号处理的分解阶数。
[0032]
步骤4，按照1/3
‑
二叉树结构结合最大分解阶数k划分频带，形成频率分割树状图。
[0033]
步骤5，通过标准低通fir滤波器构造一组低通滤波器h0(n)和高通滤波器h1(n)，在根据所划分的树状结构迭代生成滤波器组。
[0034]
步骤6，用构建好的滤波器组对每层划分的频带进行滤波，依次完成信号重构。
[0035]
步骤7，判断最佳pq值和归一化系数，计算每层每个分量的pq
‑
mean值，并构建稀疏谱图表示诊断信息。
[0036]
pq
‑
mean是有别于峭度的稀疏表达方式，其满足稀疏度量方式的六个理想标准，而峭度只满足其中三个标准，并且在一定pq值下，pq
‑
mean具有和峭度一样的稀疏表现形式，所述pq
‑
mean是对传统峭度作为稀疏表达方式的延伸；pq
‑
mean值计算公式为：
[0037][0038]
其中，n表示输入样本的个数，i表示第i个样本，p q表示可调节变量(对应的指数信息)，y表示输入样本。
[0039]
步骤8，定位最佳故障共振频带的中心频率f
c
和带宽b
w
,以此构建带通滤波器对信号进行带通滤波，并获取冲击信号的特征。
[0040]
步骤8中，最佳共振频带是指pq
‑
mean值最大的频带，并根据此频带的中心频率f
c
和带宽b
w
以及频带所在层的层数k
i
对预处理后的振动信号进行带通滤波，获取故障特征信息。
[0041]
步骤9，对提取的冲击信号进行包络解调，根据包络谱中的信息进行故障分析与诊断。
[0042]
为了说明不同pq值对轴承故障信号诊断结果的影响，验证阶段，分别在p＝3,q＝2和p＝10,q＝2下做了两组测试(其他条件相同)，故障分析结果如图2(b)和图2(c)所示，结果可以看出，本技术记载的方法在不同p、q值下依然具有较好的故障提取能力。
[0043]
为了说明不同归一化系数对轴承故障信号诊断结果的影响，验证阶段，分别在归一化系数为0.9和归一化系数为1.2下做了两组测试(其他条件相同)，故障分析结果如图2(c)和图2(d)所示，结果可以看出，改变归一化系数会影响本技术所述轴承故障诊断的结果。
[0044]
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。