一种基于信号压缩与窄带滤波的轴承故障增强诊断方法

1.本发明涉及滚动轴承诊断技术领域，特别涉及一种基于信号压缩与窄带滤波的轴承故障增强诊断方法。


背景技术：

2.轴承故障是引起整个设备故障或失效的主要原因之一，轴承故障诊断对于提高设备维护效率，避免因设备故障而造成重大的经济损伤或人员伤亡等具有重要意义。
3.经验模态分解是一种广泛使用的轴承故障诊断方法。该方法适用于同时存在高斯和非高斯噪声的非线性、非平稳信号。但是经验模态分解方法存在端点效应和模态混叠的问题。集合经验模态分解方法通过添加白噪声来改善信号的极值点分布，从而可以达到抑制模态混叠的目的。自适应噪声辅助集成经验模态分解方法不仅可以减少分解信号中的残留噪声，还可以解决集合经验模态分解分解不完备的问题。但是自适应噪声辅助集成经验模态分解在每一层迭代分解的过程中，既要分解n个添加了噪声的信号，又要分解添加的n个噪声信号(n为总体平均的次数)，因此自适应噪声辅助集成经验模态分解计算量很大，占用内存也很大，计算效率非常低下，仅适用于分析短信号。
4.考虑到轴承损伤瞬时冲击响应的自然频率通常在几千赫兹以上，轴承振动测试的采样频率要设在10万赫兹以上。另一方面，在对信号做谱分析时，损伤频率成分体现的是该周期分量在整个测试时段内的平均能量。在假设信号平稳的条件下，信号越长，平均的次数越多，谱线越清晰。因此，轴承故障振动信号的测试长度不能太短。较高的采样频率和较长的测试时间得到的振动信号数据量大，导致对信号进行自适应噪声辅助集成经验模态分解时存在效率低下甚至无法运行的结果。


技术实现要素：

5.本发明提供了一种基于分段累积近似压缩与窄带滤波的滚动轴承故障增强诊断方法，以解决现有技术中算法效率低的技术问题。
6.为达到上述目的，本发明的技术方案是这样实现的：
7.本发明提供了一种基于信号压缩与窄带滤波的轴承故障增强诊断方法，包括如下步骤：
8.步骤s1、对原始信号x＝(x1,x2,
…
,x
l
)进行包络解调，得到损伤冲击脉冲序列的低频包络信号y＝(y1,y2,
…
,y
l
)，l表示原始信号的长度；
9.步骤s2、对低频包络信号y进行分段累积近似，得到压缩信号p＝(p1,p2,
…
,p
nα
)，na表示压缩信号的长度；
10.步骤s3、对压缩信号p进行自适应窄带滤波，得到若干内禀模态函数步骤s3、对压缩信号p进行自适应窄带滤波，得到若干内禀模态函数i表示得到的内禀模态函数的个数；
11.步骤s4、对得到的所有内禀模态函数做谱分析，选择频带覆盖故障特征频率的内禀模态函数，根据所选内禀模态函数中的故障特征频率成分判断滚动轴承是否存在损伤。
12.优选地，所述步骤s1的具体实现方式为：对原始信号进行希尔伯特变换，得到h(x)；进而得到损伤冲击脉冲序列的低频包络信号y＝|x ψh(x)|，其中ψ为虚数单位；
13.优选地，所述步骤s2的具体实现方式为：根据滚动轴承故障特征频率的大小及fs/w≥2.56z
·fmax
，选择分段累积近似的窗口大小w，然后对低频包络信号y进行分段累积近似，得到压缩信号p，其中fs为采样频率；fs/w为压缩信号p的等效采样频率，f
max
为轴承故障特征频率的最大值，z为轴承故障特征频率的z倍频，2.56为香农采样定理系数。
14.优选地，所述步骤s3中的对压缩信号进行窄带滤波使用的方式是使用自适应噪声辅助集成经验模态分解，得到若干内禀模态函数
15.优选地，所述步骤s4中的判断滚动轴承是否存在损伤的方式为：对得到的所有内禀模态函数做幅值谱分析，得到每个内禀模态函数能量集中分布的频带范围；选择频带范围覆盖轴承故障特征频率的内禀模态函数；根据所选内禀模态函数中的故障特征频率成分判断滚动轴承是否存在损伤。
16.本发明的有益效果：
17.本发明提供了一种基于信号压缩与窄带滤波的轴承故障增强诊断方法，该方法首先对高频采样得到的长信号进行包络解调，再对得到的低频包络信号进行分段累积近似，在保留信号中低频故障信息的同时，实现对信号的数据压缩。最后通过自适应噪声辅助集成经验模态分解分离出包含低频故障信息的内禀模态函数分量，并基于分离出的内禀模态函数实现对轴承故障的增强诊断。本发明提高的方法不仅具有很高的计算效率，而且可以有效实现对滚动轴承故障的增强诊断。
附图说明
18.图1为本发明的步骤流程图；
19.图2为外圈故障轴承振动信号的时域波形及其压缩信号的示意图；
20.图3为外圈故障分离信号内禀模态函数(imf)2～7的幅值谱示意图；
21.图4为外圈故障轴承原始信号幅值谱与分解信号幅值谱示意图；
22.图5为内圈故障轴承振动信号的时域波形及其压缩信号示意图；
23.图6为内圈故障轴承原始信号幅值谱与分解信号幅值谱示意图；
24.图7为滚动体故障轴承振动信号的时域波形及其压缩信号示意图；
25.图8为内圈故障轴承原始信号幅值谱与分解信号幅值谱示意图。
具体实施方式
26.下面结合附图及具体实施例对本发明再作进一步详细的说明。在本发明的描述中，相关方位或位置关系为基于图1所示的方位或位置关系，其中，“上”、“下”是指图1的上下方向。需要理解的是，这些方位术语仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
27.另外，在本发明中的“第一”、“第二”等描述，仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量或顺序。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个、三个等，除非另有明确具体的限定。
28.参照图1，本技术实施例提供了一种基于信号压缩与窄带滤波的轴承故障增强诊断方法，包括如下步骤：
29.步骤s1、对原始信号x＝(x1,x2,
…
,x
l
)进行包络解调，得到损伤冲击脉冲序列的低频包络信号y＝(y1,y2,
…
,y
l
)，l表示原始信号的长度；
30.步骤s2、对低频包络信号y进行分段累积近似，得到压缩信号p＝(p1,p2,
…
,p
nα
)，na表示压缩信号的长度；
31.步骤s3、对压缩信号p进行自适应窄带滤波，得到若干内禀模态函数步骤s3、对压缩信号p进行自适应窄带滤波，得到若干内禀模态函数i表示得到的内禀模态函数的个数；
32.步骤s4、对得到的所有内禀模态函数做谱分析，选择频带覆盖故障特征频率的内禀模态函数，根据所选内禀模态函数中的故障特征频率成分判断滚动轴承是否存在损伤。
33.在一些其他实施例中，所述步骤s1的具体实现方式为：对原始信号进行希尔伯特变换，得到h(x)；进而得到损伤冲击脉冲序列的低频包络信号y＝|x ψh(x)|，其中ψ为虚数单位；
34.在一些其他实施例中，所述步骤s2的具体实现方式为：根据滚动轴承故障特征频率的大小及fs/w≥2.56z
·fmax
，式中fs为采样频率；fs/w为压缩信号p的等效采样频率，f
max
为轴承故障特征频率的最大值，z为轴承故障特征频率的z倍频，2.56为香农采样定理系数。
35.在一些其他实施例中，所述步骤s3中的对压缩信号进行窄带滤波使用的方式是使用自适应噪声辅助集成经验模态分解，得到若干内禀模态函数
36.在一些其他实施例中，所述步骤s3具体包括如下步骤：
37.步骤s31、将第i层分解得到的内禀模态函数表示为
38.步骤s32、通过第i＝1层的分解，最终得出其中r
i＝1
表示第一层分解得到的残差信号；p为压缩信号；
39.步骤s33、通过第i＝2层的分解，最终得出公式中r2为第二层分解得到的残差信号；
40.步骤s34、重复上述步骤，直到获得的残差信号为单调函数，不能继续分解，停止分解计算，此时得到的内禀模态函数数量设为i，则压缩信号p被分解为：
41.其中ri指的是第i层分解得到的残差信号。
42.在一些其他实施例中，所述步骤s32具体包括如下步骤：
43.步骤s321、将满足标准正态分布的白噪声vj加入到压缩信号p，得到新信号p ε
i＝1
vj，其中j＝1,2,...,n，其中j为加入白噪声的次数，ε
i＝1
为第1层分解的白噪声的幅值；
44.步骤s322、对新信号p ε
i＝1
vj进行经验模态分解，得到经验模态分解的第k＝1阶内禀模态函数禀模态函数代表的是信号在第j次加入幅值为ε
i＝1
的白噪声经过经验模式
分解产生的一阶内禀模态函数；εi指的是第i层分解的白噪声的幅值；k指的是经验模式分解产生的k阶内禀模态函数；
45.步骤s323、对加入n次白噪声产生的n个一阶模态函数进行总体平均就得到自适应噪声辅助集成经验模态分解的第i＝1个内禀模态函数：
46.步骤s324、计算去除第一个内禀模态函数后的残差公式中p指的是压缩信号。
47.在一些其他实施例中，所述步骤s33具体包括如下步骤：
48.步骤s331、将i＝1层分解时添加的n个白噪声vj进行经验模态分解得到vj的一阶内禀模态函数e1(vj)，将e1(vj)与残差信号r1相加得到新信号r1 ε2e1(vj)；其中r1指的是第1层的残差信号，ε2指的是第2层分解的白噪声的幅值；
49.步骤s332、对新信号r1 ε2e1(vj)再进行经验模态分解，得到经验模态分解的第k＝1个验模态分解
50.步骤s333、对进行总体平均，得到自适应噪声辅助集成经验模态分解的第i＝2个内禀模态函数＝2个内禀模态函数公式中n为加入白噪声具体的个数；
51.步骤s334、计算去除第二个内禀模态函数后的残差公式中r2指的是第2层的残差信号。
52.在一些其他实施例中，所述步骤s4中的判断滚动轴承是否存在损伤的方式为：对得到的所有内禀模态函数做幅值谱分析，得到每个内禀模态函数能量集中分布的频带范围；选择频带范围覆盖轴承故障特征频率的内禀模态函数；根据所选内禀模态函数中的故障特征频率成分判断滚动轴承是否存在损伤。
53.方法的验证：
54.选用待诊断的轴承为深沟球接触轴承，型号为mb er-10k，故障特征频率分别为f
bpfo
＝3.052fr、f
bpfi
＝4.948fr、f
bs
＝1.992fr、fc＝0.382fr，其中fr为轴的旋转频率。
55.分别对植入了外圈损伤、内圈损伤和滚动体损伤的轴承进行振动测试，采样频率设置为fs＝25.6khz。电机转速设置为900rpm，对应的fr＝15hz，对应最大故障特征频率为f
max
＝74.22hz，假设paa(piecewise aggregate approximation分段累积近似)压缩信号中要保留故障特征频率成分的5倍频，则根据式fs/w≥2.56z
·fmax
，分段累积近似的等效采样频率fs/w≥950.01hz，因此可以取分段累积近似窗口长度w＝20，压缩信号的等效采样频率为1.28khz。
56.外圈故障测试数据验证：
57.外圈损伤轴承振动信号如图2(a)所示，信号长度l＝21s，转频为13.84hz，对应的外圈故障特征频率为f
bpfo
＝42.24hz。使用自适应噪声辅助集成经验模态分解直接对原始信号进行分解，算法运行24小时后仍未结束(电脑处理器为i5 2.5g双核，运行内存8g)。使
用集成分段累积近似和自适应噪声辅助集成经验模态分解的增强诊断方法进行分析，多次运行的运行时间都少于360s。
58.使用新方法对原始信号包络解调，并对包络信号进行分段累积近似压缩，得到的压缩信号如图2(b)所示。对压缩信号进行自适应噪声辅助集成经验模态分解，得到15个内禀模态函数，其中第2～7个内禀模态函数的幅值谱如图3所示。从图3中可以看出，每一个内禀模态函数的幅值谱能量集中在不同的频带，只存在轻微的模态混叠现象，说明自适应噪声辅助集成经验模态分解可以很好地抑制模态混叠问题。
59.从图3中还可以看出，第5个内禀模态函数的幅值谱能量集中在外圈故障频率附近。将第5个内禀模态函数的幅值谱放大后与原始信号的幅值谱进行对比，如图4所示。图中竖直方向的虚线所示为转频及其高阶谐波分量。在图4(a)所示的原始信号幅值谱中，看不到清晰的外圈故障特征频率成分，故障特征频率成分被其它信号成分所湮没。而在图4(b)所示的第5个内禀模态函数的幅值谱中，可以清晰地看到外圈故障频率成分及其二次谐波分量。数据分析结果表明，新方法不仅具有很高的计算效率，而且能够实现对轴承故障的增强诊断。
60.内圈故障测试数据验证：
61.内圈故障轴承的振动信号如图5(a)所示，信号长度l＝18s，转速为14.76hz，对应的内圈故障特征频率为f
bpfi
＝73.05hz。使用分段累积近似对信号进行压缩，得到的压缩信号如图5(b)所示。
62.对压缩信号进行自适应噪声辅助集成经验模态分解，同样得到了15个内禀模态函数。观察15个内禀模态函数的幅值谱，发现第5个内禀模态函数的幅值谱能量集中在内圈故障频率附近。将第5个内禀模态函数的幅值谱图放大并与原始信号的幅值谱作对比，结果如图6所示。从图6(b)所示imf5的幅值谱中，不仅可以清晰地看到内圈故障频率f
bpfi
，还能看到故障频率的调制边频成分f
bpfi-fr与f
bpfi
fr。调制边频存在的原因是内圈随着转轴每旋转一周，内圈损伤经过一次承载区，损伤冲击幅值发生一次周期性变化。而在图6(a)所示的原始信号的幅值谱中，并不能清晰地看到上述谐波分量。
63.滚动体故障测试数据验证：
64.滚动体损伤轴承振动信号如图7(a)所示，信号长度l＝19s，转速为14.12hz，对应的滚动体自转频率为f
bs
＝28.12hz。使用本文提出的方法对信号进行压缩和分解，得到的压缩信号如图7(b)所示。
65.对压缩信号进行自适应噪声辅助集成经验模态分解，得到15个内禀模态函数，观察15个内禀模态函数的幅值谱，发现第6个内禀模态函数的幅值谱能量集中在滚动体自转频率附近。将第6个内禀模态函数的幅值谱图与原始信号的幅值谱进行对比分析，结果如图8所示。在图8(b)中可以清晰地看到突出的滚动体自转频率成分，以及被保持架频率调制的频率成分f
bs-fc和f
bs
fc，其中fc指的是保持架频率，存在幅值调制的原因是，滚动体随保持架公转，每公转一周，损伤滚动体经过一次承载区，损伤冲击幅值发生一次周期性变化。而在原始信号的幅值谱中，看不到清晰的滚动体自传频率成分及其边带。
66.上述内圈故障案例和滚动体故障案例的分析结果进一步证明了基于paa和自适应噪声辅助集成经验模态分解的故障诊断法对轴承故障增强诊断的有效性。
67.本发明提出了一种基于分段累积近似与自适应噪声辅助集成经验模态分解的滚
动轴承故障增强诊断方法。该方法首先对高频采样得到的长信号进行包络解调，再对得到的低频包络信号进行分段累积近似，在保留信号中低频故障信息的同时，实现对信号的数据压缩。最后通过自适应噪声辅助集成经验模态分解分离出包含低频故障信息的内禀模态函数分量，并基于分离出的内禀模态函数实现对轴承故障的增强诊断。使用外圈故障轴承、内圈故障轴承和滚动体故障轴承的实际测试数据对算法进行了验证，数据验证结果表明，算法不仅具有很高的计算效率，而且可以有效实现对滚动轴承故障的增强诊断。
68.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不同限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。并且，本发明各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。