一种轴承故障特征提取的方法、装置、设备以及存储介质

1.本发明涉及滚动轴承故障诊断技术领域，特别是涉及一种轴承故障特征提取的方法、装置、设备以及计算机存储介质。


背景技术：

2.滚动轴承是最常见的轴承。他们通常用于在恶劣环境中搬运重物，是最容易发生故障的机械元件之一。44％的大型感应电动机故障与轴承故障有关。轴承故障可能会导致生产力和经济损失甚至是灾难性的后果。因此，轴承故障检测具有重要意义。已经开发的许多方法中大多数是基于声音、温度、磨损和振动。其中，振动特征已被发现是一个强大的轴承故障检测的工具。当滚动元件通过缺陷区域，发生小碰撞，导致一系列的机械脉冲。这些冲动使系统自然机械频率高速共振。然后对共振频率进行调制，由轴承故障脉冲频率命名故障特征频率(fault characteristic frequency:fcf)和检测的主要信息。其中一个最常用的检测技术，通过振幅解调振动信号来包络信号。然后可根据频谱决定轴承健康状况。希尔伯特变换通常用于此目的。然而，希尔伯特变换容易受到噪声和干扰的影响。为了获得可靠的检测结果，需要进行预处理，过滤通常是必需的。典型的就是高共振频率技术(high resonance frequency technique:hrft)。该方法的主要步骤包括对共振频率附近的振动信号进行滤波，将滤波后的信号包络，以及对解调后的信号进行傅里叶变换。而带通滤波器的设计通常基于未知的共振频率，因此，适当的中心频率和带宽十分重要，选择一个合适的方案是一项具有挑战性的任务。
3.文献中用于轴承状态监测的最广泛使用的包络方法包括希尔伯特变换、eo和mma。虽然它们有各自的优点，但它们都有各自的缺点，总结如下：(1)希尔伯特变换容易受到振动干扰和噪声的影响，因此通常需要进行预滤波，这涉及一个具有挑战性的滤波器参数选择过程，(2)eo方法受到单组分和窄带的限制，其有效性通常会受到多个干扰的影响，(3)对于mma技术，se结构，计算量大、对多种干扰的处理效率低，限制了它们在轴承故障特征提取中的应用。
4.综上所述可以看出，如何降低干扰信号的影响提高故障特征是目前有待解决的问题。


技术实现要素：

5.本发明的目的是提供一种轴承故障特征提取方法、装置、设备以及计算机存储介质，解决了现有技术中对轴承故障特征提取难度大的问题。
6.为解决上述技术问题，本发明提供一种轴承故障特征提取的方法，包括：
7.采集轴承振动信号，并对所述轴承振动信号进行加窗截取；
8.利用katz方法计算所截取轴承振动信号的分形维数值；
9.根据所述分形维数值跟踪所述轴承振动信号中轴承故障产生的冲击位置，并提取冲击位置的包络线；
10.计算每个包络线的平均值和标准偏差，基于所述平均值和标准偏差计算包络信号的峰值；
11.将所述包络信号的峰值与标准偏差差值小于1的所述包络信号的峰值置为1，剩余的包络信号为轴承故障特征。
12.优选地，所述利用katz方法计算所截取轴承振动信号的分形维数值包括：
13.根据所述轴承振动信号s＝{s1,s2,...,sn}，计算连续信号之间的欧式距离为：
14.其中，n为轴承振动信号中采样点的总数，si为振动信号中的任意点，其si坐标为(xi,yi),i＝1,2,...,n；
15.根据所述连续信号之间的欧式距离，计算波形的平面范围d和曲线的总长度l，其计算公式为：
[0016][0017][0018]
通过所述连续信号之间的平均距离a来规范化所述曲线的总长度l和所述波形的平面范围d，并利用katzfd的数学定义公式学定义公式计算分形维数：
[0019][0020]
其中，k＝n-1为曲线中的步数，a＝l/k。
[0021]
优选地，所述根据所述分形维数值跟踪所述轴承振动信号中轴承故障产生的冲击位置，并提取冲击位置的包络线包括：
[0022]
根据所述分形维数值确定移动窗口的宽度；
[0023]
利用移动窗口从始至终截取所述轴承振动信号，得到多个信号段；
[0024]
计算每个轴承振动段的分形维数值；
[0025]
将所有信号段的分形维数值进行拼接得到所述短时分形维数序列。
[0026]
优选地，所述利用所述移动窗口从始至终截取所述轴承振动序列，得到多个信号段包括：
[0027]
所述多个轴承振动段构成的矩阵为：
[0028][0029]
其中，swm为每个信号段，n
win
为窗口长度，n
win
＝int(αfs)，int(.)为值的整数部分，α为预设常数，fs为波形的采样频率。
[0030]
优选地，所述将所有信号段的分形维数值进行拼接得到所述短时分形维数信号包
括：
[0031]
计算每个信号段的分形维度值，得到短时分形维数向量：
[0032]
stfd＝[stfd(1),stfd(2),...,stfd(m),...,]；
[0033]
将其转换为所述短时分形维数序列：stfd＝stfd
original-min 1；
[0034]
其中，向量stfd
original
为计算的信号stfd序列，min为与stfd
original
长度相同的最小分量，1为与stfd
original
长度相同的单位向量，stfd为得到的stfd序列。
[0035]
优选地，所述将所述包络信号的峰值与标准偏差差值小于1的所述包络信号的峰值置为1，剩余的包络信号为轴承故障特征包括：
[0036]
定义峰值搜索算法的公式：
[0037]
其中，μ为信号x(t)的平均值，σ为信号x(t)的标准偏差，e{.}是数学期望算子，x(t)＝s(t) i(t)＝a
mp
e-βt
sinωrt aicosωit；其中，a
mp
为脉冲的振动幅值，ωr为脉冲的振动频率，ai为干扰的振动振幅，ωi为干扰的振动频率；
[0038]
计算每个信号的标准偏差σ和峰值k；
[0039]
判断振幅是否大于等于1 σ，若振幅大于等于1 σ，则振幅保持不变，若振幅小于1 σ，则将振幅置为1；
[0040]
判断两次迭代的峰值差是否满足预设值，若满足则停止计算峰值，若不满足，则继续迭代；
[0041]
直至所有信号计算完成，停止迭代，得到轴承振动故障特征。
[0042]
优选地，所述峰值搜索算法的计算步骤为：
[0043]
s71：初始化，令i＝1，
[0044]
s72：计算信号段x(i)的标准偏差σi和峰值ki；
[0045]
s73：判断所述信号段内的振幅是否大于等于1 σi；
[0046]
s74：若大于等于1 σi，则所述振幅保持不变；若小于1 σi，则令振幅置为1；
[0047]
s75：判断i≥n，若成立，则停止迭代；
[0048]
s76：若不成立，则判断是否满足|k
i-k
i-1
|≤ε，若满足，则停止计算k
i-k
i-1
，其中ε为阈值最小常数；
[0049]
s77：若不满足，则令i＝i 1，返回步骤s72。
[0050]
本发明还提供了一种轴承故障特征提取的装置，包括：
[0051]
采集信号模块，用于采集轴承振动信号，对所述轴承振动信号进行加窗截取；
[0052]
计算分形维数模块，用于利用katz方法计算所截取轴承振动信号的分形维数值；
[0053]
提取包络模块，用于根据所述分形维数值跟踪所述轴承振动信号中轴承故障产生的冲击位置，并提取冲击位置的包络线；
[0054]
计算峰值模块，用于计算每个包络线的平均值和标准偏差，基于所述平均值和标准偏差计算包络信号的峰值；
[0055]
抑制干扰模块，用于将所述包络信号的峰值与标准偏差差值小于1的所述包络信号的峰值置为1，剩余的包络信号为轴承故障特征。
[0056]
本发明还提供了一种轴承故障特征提取的设备，包括：
[0057]
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种
轴承故障特征提取的方法的步骤。
[0058]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种轴承故障特征提取的方法的步骤。
[0059]
本发明所提供的一种轴承故障特征提取的方法，首先采集轴承运行时的轴承振动信号，并进行加窗截取，利用katz方法计算所截取轴承振动信号的分形维数值，利用分形维数值将轴承振动信号转化为短时分形维数序列，通过分形维数值提取故障产生的冲击位置的包络线，将故障信号和干扰信号区分，更好的抑制干扰信号的冲击，更加突显故障信号；最后根据峰值搜索算法将振幅值小于标准偏差的振幅置为1，更加突出故障信号。最后得到轴承振动故障特征。本发明通过分形维数将轴承的振动序列转化为短时分形维数序列，并且在转换过程中对其他的干扰信号进行抑制，将轴承故障的信号更加突出，抑制干扰信号，最后根据峰值搜索算法将所有信号进行处理，进一步抑制干扰信号对轴承故障信号的影响，更加突显轴承故障信号，无需采用滤波器对信号进行滤波，无法抑制多种干扰信号，计算量庞大的问题，实用范围更加广泛，并且本发明可以实现在线轴承状态的监测。
附图说明
[0060]
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1为本发明所提供的轴承故障提取的方法的第一种具体实施例的流程图；
[0062]
图2为本发明所提供的轴承故障提取的方法的第二种具体实施例的流程图；
[0063]
图3为使用stfd变换提取轴承故障特征的对比图：(a)脉冲信号；(b)、(c)和(d)分别使用katz、sevcik和higuchi方法获得的stfd；
[0064]
图4(a)不同窗口长度下产生的(不同)stfd序列的曲线u；(b)不同窗口长度下模拟信号包络和产生的stfd序列之间相关系数的演化的曲线图；
[0065]
图5为信号混合(脉冲和随机干扰)的stfd变换的干扰抑制的曲线图：(a)周期性干扰；(b)模拟脉冲；(c)(a)和(b)的混合；(d)信号混合的stfd表示；
[0066]
图6为具有多个循环干扰的模拟故障方位信号的stfd和stfd-kpsa变换结果的曲线图：(a)信号干扰混合；(b)没有kpsa的stfd序列；(c)b的频谱，(d)stfd-kpsa序列；(e)d的频谱；
[0067]
图7为stfd-kpsa方法的可检测性图；
[0068]
图8为对模拟信号应用所提出的方法的曲线图，(a)合成信号；(b)a的希尔伯特包络谱；(c)stfd序列；(d)stfd-kpsa结果；(e)c的频谱；(f)d的频谱；
[0069]
图9为stfd-kpsa在检测侧面定位外圈故障方面的性能的曲线图：(a)原始振动信号；(b)原始信号的希尔伯特包络谱；(c)原始信号的stfd-kpsa结果；(d)stfd-kpsa结果的频谱；
[0070]
图10为stfd-kpsa检测底部定位外圈故障的性能的曲线图：(a)原始振动信号；(b)原始信号的希尔伯特包络谱；(c)原始信号的stfd-kpsa结果；(d)stfd-kpsa结果的频谱；
[0071]
图11为stfd-kpsa检测内圈故障的性能的曲线图：(a)原始振动信号；(b)原始信号的希尔伯特包络谱；(c)原始信号的stfd-kpsa；(d)stfd-kpsa结果的频谱；
[0072]
图12为本发明实施例提供的一种轴承故障特征提取的装置的结构框图。
具体实施方式
[0073]
本发明的核心是提供一种轴承故障提取方法，利用分形维数转化为短时分形维数序列，有效抑制干扰信号的影响，并利用峰值搜索算法，进一步的抑制干扰，提高故障特征。
[0074]
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0075]
请参考图1，图1为本发明所提供的轴承故障特征提取的方法的第一种具体实施例的流程图；具体操作步骤如下：
[0076]
步骤s101：采集轴承振动信号，并对所述轴承振动信号进行加窗截取；
[0077]
利用振动传感器采集轴承振动故障的信号，并将采集的轴承振动信号进行加窗截取。
[0078]
步骤s102：利用katz方法计算所截取轴承振动信号的分形维数值；
[0079]
步骤s103：根据所述分形维数值跟踪所述轴承振动信号中轴承故障产生的冲击位置，并提取冲击位置的包络线；
[0080]
步骤s104：计算每个包络线的平均值和标准偏差，基于所述平均值和标准偏差计算包络信号的峰值；
[0081]
步骤s105：将所述包络信号的峰值与标准偏差差值小于1的所述包络信号的峰值置为1，剩余的包络信号为轴承故障特征。
[0082]
在本实施例中，首先利用振动传感器采集轴承振动的信号，然后利用katz算法计算信号之间的距离以及曲线总长度，进而计算得到信号之间的分形维数值，然后基于分形维数值将轴承信号转化为短时分形维数序列；采用分形维数的转换将干扰信号进行抑制，故障信号更加突显。根据峰值搜索算法去除干扰信号，保留故障信号，最后得到更加完善的故障信号。无需采用滤波器进行滤波，简化了步骤，本发明还可以实时在线监测轴承故障状态的监测。
[0083]
基于上述实施例，本实施例详细说明了轴承故障特征的提取方法，请参考图2，图2为本发明所提供的轴承故障特征提取的方法的第二种具体实施例的流程图；具体操作步骤如下：
[0084]
步骤s201：利用振动传感器采集轴承振动信号；
[0085]
步骤s202：根据轴承振动信号计算信号之间的欧几里德距离和曲线总长度；
[0086]
请参考图3，图3为本发明使用stfd变换提取轴承故障特征的对比图，其中：(a)脉冲信号；(b)、(c)和(d)分别使用katz、sevcik和higuchi方法，通过对比可得，采用katz方法的效果最好，图像的峰值区分均匀。
[0087]
采集的振动信号为s＝{s1,s2,...,sn}，其中n是信号中的采样点的总数。信号中的一个任意点由si表示，其在图中的坐标为(xi,yi),i＝1,2,...,n。则两个连续点之间的欧几
里德距离为
[0088]
将n点信号的katzfd在数学上定义为：
[0089][0090][0091]
其中，l是曲线的总长度，由所有相邻点的欧氏距离之和得出，即
[0092]
d是波形的平面范围，通常可以被认为是信号的第一个点(点1)和所有后续点之间所有距离中最远的距离。从数学上讲，d可以写成
[0093][0094]
从等式(2)获得的fd值受测量单位的影响。为了克服这一困难，卡茨建议通过连续点之间的平均距离(用a表示)来规范化l和d。平均距离a定义为a＝l/k，其中k是曲线中的步数，即k＝n-1。在方程式(2)中，用a除以l和d得出
[0095][0096]
步骤s203：根据欧几里德距离和曲线总长度计算分形维数值；
[0097]
步骤s204：利用分形维度值对轴承振动信号进行加窗截取，得到多个轴承信号片段；
[0098]
fd用于跟踪轴承故障产生的冲击位置，并提取冲击的包络线。轴承故障产生的典型振动信号是周期性的，包括与缺陷位置表面之间的冲击相对应的急剧上升。为了利用fd提取周期性影响的特征，研究了stfd。
[0099]
移动窗口用于截断原始信号以获得stfd序列，其中每个stfd值对应于一个加窗信号部分。窗口的长度选择为n
win
＝int(αfs)，其中int(.)表示值的整数部分，是用户预先指定的常数α，fs是波形的采样频率。常数α是根据经验设定的。由于故障引起的脉冲通常是微弱的，并且被背景噪声和振动干扰掩盖，因此窗口必须更短，才能获得满意的结果。这是因为太长的窗口可能会使stfd序列过度平滑。因此，在轴承故障检测应用中，该常数α应小于用于声音信号处理的常数，以确保不会遗漏初始脉冲。然而，应该注意的是，n
win
不能太短。窗口太短可能会导致许多假想振荡，显然无法正确识别影响，如图4所示，图4(a)不同窗口长度(不同α)下产生的stfd序列；图4(b)不同窗口长度下模拟包络信号和产生的stfd序列之间相关系数的演化。
[0100]
为了获取stfd值的点到点时间序列，该窗口每次沿输入向量移动一个采样步长。窗口函数用w[n]表示。然后，序列swm[n]＝s[n]w[m-n]是时间m处信号s[n]的短时间段，长度为n
win
。以矩阵形式表示所有信号段，可得到以下表达式
[0101][0102]
对于每个信号段wm，由stfd
(m)
表示的相应fd值可通过等式(5)计算。向量stfd可以通过计算所有信号段的fd值来获得，如下所示
[0103]
stfd＝[stfd(1),stfd(2),...,stfd(m),...,]
ꢀꢀꢀꢀ
(7)
[0104]
在不影响stfd序列的动态范围的情况下，在随后的子部分中应用以下变换
[0105]
stfd＝stfd
original-min 1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0106]
其中，向量stfd
original
是使用公式(5)计算的信号stfd序列，min是与stfd
original
长度(尺寸)相同的向量，其所有分量等于stfd
original
的最小分量，1表示也与stfd
original
长度相同的单位向量，stfd表示获得的stfd序列。根据等式(8)，stfd序列的最小值始终限制为1。
[0107]
为了将原始振动信号转换为stfd序列，通过等式(5)计算每个信号段的fd值，并将其分配给信号段的中点。然而，这将使所获得的stfd序列的长度n-n
win
1短于原始信号的长度n。为了保持信号长度，原始信号通过复制来扩展：(a)开始时的前半个点数，即奇数n
win
的(n
win-1)/2个点数，(n
win
/2，偶数)，以及(b)原始信号结束时的最后一个(n
win-1)/2，奇数n
win
(n
win-2/2，偶数n
win
)点数。然后，信号的长度扩展到n n
win-1。这样，获得的stfd序列的大小与原始信号相同。
[0108]
步骤s205：计算每个轴承信号片段的分形维数值；
[0109]
步骤s206：将所有轴承信号片段的分形维数值进行拼接得到所述短时分形维数序列；
[0110]
步骤s207：根据峰值搜索方法对所述分形维数序列去除干扰，得到轴承振动故障特征。
[0111]
周期性干扰可以表示为而a
im
和ω
im
分别表示干扰的振幅和频率。为评估干扰对转换包络解调的影响，考虑单个故障引起的模拟脉冲被振幅大于脉冲的干扰所污染x(t)＝s(t) i(t)＝a
mp
e-βt sin ωrt aicosωit，其中a
mp
是脉冲的振幅，ai》a
mp
，表明故障相关脉冲被干扰严重掩盖。用x(t)表示的信号的分析。
[0112]
分析信号的包络(或瞬时幅度)可通过以下公式计算：
[0113][0114][0115]
等式(10)表明，主要成分，即干扰，被包络解调，但脉冲解调不成功。由此可以得出
结论，传统解调受到强干扰的不利影响。因此，迫切需要一种具有抑制干扰能力的包络方法。
[0116]
基于stfd变换的干扰抑制。请参考图5，考虑如图5(a)所示的随机干扰(i(t)＝2cos(2πft))。图5(b)和(c)分别是脉冲信号和由脉冲信号和干扰组成的信号混合物。对于大多数实际应用，共振频率远高于周期性干扰的频率，即，可以观察到干扰频率远低于脉冲的频率，如图5(a)和(b)所示。让我们来看一个短窗口内的信号段，即图5(a)中的第n个窗口。第n个窗口内曲线的欧几里德距离，n＝1,2...,由ln(由等式(3)定义)表示，平面范围由dn(由等式(4)定义)表示。如果振动干扰频率足够低，只要选择合适的窗口长度，ln几乎等于图5(a)中的dn，这将导致stfd(n)≈1(使得dn≈ln满足)。由此可以得出结论，干扰对stfd表示几乎没有影响。对于脉冲信号，信号段的平面范围(dn)和欧几里德距离(ln)之间的差异更大，因为显著的形态外观变化，如图5(c)所示，根据方程(5)得出stfd(n)》1。由于共振频率通常比振动干扰的频率高得多，因此脉冲产生的stfd值远大于与干扰相关的stfd值，表明与干扰相关的stfd值相比，脉冲相关的stfd值在stfd表示中更为显著。因此，可以突出显示脉冲的包络，并抑制干扰，如图5(d)所示。
[0117]
通过stfd和kpsa联合进行干扰抑制。然而，在某些情况下，对高频干扰的影响仍然不能忽略。例如，由多个干扰(cos(2π1000t)，cos(2π620t)和cos(2π300t))和模拟脉冲组成的合成信号如图6(a)所示。stfd变换结果及其频谱分别显示在图6(b)和(c)中。可以看出，由于与干扰相关的stfd值由于高频而对stfd表示有更大的影响，因此干扰的复合效应没有成功地消除。因此，图6(c)中的频谱主要由干扰频率差控制，这将混淆甚至误导检测结果。
[0118]
为了解决由相对高频的多个干扰引起的问题，有必要对所提出的方法进行改进，以便进一步抑制干扰的影响。kpsa的思想是提取有用的信息，并尽可能迭代地去除不需要的信号分量，直到达到停止标准。标准是峰度，因为它被证明是冲动的有效指标。它被定义为：
[0119][0120]
其中，μ和σ分别是信号x(t)的平均值和标准偏差，e{.}是数学期望算子。考虑到信号的不确定性，引入了标准偏差σi的公差范围。因此，在kpsa的每次迭代中，例如迭代i，计算stfd变换结果(即stfdi，表示stfd序列的向量)的标准偏差σi和kurtosis ki。高于1 σi的点的振幅保持不变。低于1 σi的点的振幅被“移除”，即设置为1.0(因为根据等式(6)，最小fd值为1)。通过这种方式，构造了一个新的向量stfd
*i
，表示在迭代i中提取的有用信息。然而，一些低能量点，即振幅低于1 σi的点，也可能是由故障引起的。因此，需要新的迭代i 1来进一步提取此类低能脉冲的信息，只要ki和k
i-1
之间的差异仍然显著，即两个连续迭代之间的脉冲性差异值得追求。换言之在每次迭代中，例如i 1,上述过程应用于迭代i的信号余数，即stfdi 1＝stfd
i-stfd
*i
1，并且迭代过程继续，直到信号余数的脉冲性变得无关紧要，即|k
i-k
i-1
|≤ε(“ε是预先指定的小正数)。然后，最终的信号残余被认为是由噪声和/或干扰引起的stfd分量组成，因此被去除。应用kpsa后的最终stfd序列(下文称为stfd-kpsa)由以下公式相应给出：
[0121][0122]
将上述kpsa算法应用于图6(b)中的stfd序列将得到图6(d)中的结果。如图所示，
不需要的信号分量已被移除，仅保留与模拟故障相关的峰值。在图6(e)所示的频谱上可以观察到使用kpsa的更明显增强，从中完全消除了与干扰相关的频率分量，仅保留了fcf及其谐波。
[0123]
提出的stfd-kpsa方法的干扰抑制能力。在本小节中，将从干扰抑制方面对提议的方法进行综合评估。为了量化信号混合物x(t)的干扰水平，包括故障引起的脉冲s(t)和干扰i(t)，信号干扰比可定义为以下
[0124][0125]
其中t是信号长度，ps是故障脉冲的功率，pi是干扰的功率。
[0126]
一种方法的检测性能可以用该方法使用三维映射显示的fcf谐波数来表示。这两个轴与要检查的两个因素有关。在这种情况下，这两个因素分别是频率和sir。黑暗的级别代表能量的级别，最暗到最亮对应于最低到最高的能量级别。图7显示了拟议方法的可检测性图。脉冲信号由等式(9)定义，snr为
–
7db，相应参数与表1中所列相同。
[0127]
所获得的可检测性图表明：(a)所提出的方法能够处理sir低至-33db的信号，(b)对于sir范围为0至-25db的信号，所提出的方法可以检测fcf及其三次谐波，(c)可检测性随后随着sir的降低而恶化，可以看出，当sir从-25db降至-33db时，只能观察到fcf和一次谐波。
[0128]
因而，通过该发明所提出的一种基于分形维数包络解调的轴承故障特征提取算法，对采集到的振动信号，利用分形维数的理论，使用stfd变换提取轴承故障特征，利用kpsa进一步减少干扰，实现对轴承故障特征的提取。
[0129]
在本实施例中还结合实验数据对本发明进行了详细说明：
[0130]
合成信号由等式：x(t)＝s(t) i(t) n(t)
ꢀꢀꢀꢀꢀꢀ
(14)
[0131]
其中s(t)是模拟脉冲信号，i(t)代表振动干扰，n(t)代表高斯白噪声。使用正弦函数模拟其他电气/机械部件(如不平衡轴和齿轮啮合)产生的多重干扰.在这种情况下增加了八个干扰，f
i1
...f
i8
＝1000hz，500hz，300hz，150hz，80hz，30hz，15hz，8hz，a
i1
...a
i8
＝0.5，1，1.5，1，1，1，1，1.5，使sir等于-21db。此外，真实振动信号中存在背景噪声；因此，加上高斯白噪声n(t)。相对于模拟脉冲信号的信噪比为7db。添加此类干扰的目的是模拟干扰及其谐波可能出现的真实情况。图8(a)中绘制了16000个采样数据点的混合信号x，其中影响的特征被干扰和噪声严重掩盖。图8(b)显示了模拟信号的希尔伯特包络谱。如图所示，希尔伯特包络谱主要由干扰之间的频率差决定，由于脉冲受到干扰和噪声的严重污染，因此无法找到与fcf相关的频率信息。然后应用所提出的方法，结果如图8(c)(stfd方法的输出)和图8(d)(stfd-kpsa方法的输出)所示。对stfd序列和stfd-kpsa序列分别进行频谱分析，得到图8(e)和(f)。可以看出，仅使用stfd并不能完全消除干扰的影响，如图8(e)所示，其中与干扰差异相关的第二频率线的振幅几乎与第一fcf谐波的振幅相当。这是由于stfd表示中仍然存在多个干扰的影响。图8(f)提供了更清晰的结果，其中fcf及其三个谐波清晰可识别，因为使用建议的kspa算法进一步降低了干扰的综合影响。上述分析表明，与图8(b)和(e)中分别所示的希尔伯特变换和无kpsa的stfd相比，stfd-kpsa的解调结果更好。因此，可以得出结论，所提出的stfd-kpsa
方法能够在不使用预滤波的情况下提取轴承故障特征并抑制干扰和噪声，图9、图10和图11分别是利用本发明故障检测方法检测侧面、底部以及内圈故障的性能图，图9、图10和图11中(a)原始振动信号；(b)原始信号的希尔伯特包络谱；(c)原始信号的stfd-kpsa结果；(d)stfd-kpsa结果的频谱。
[0132]
请参考图12，图12为本发明实施例提供的一种轴承故障特征提取的装置的结构框图；具体装置可以包括：
[0133]
采集信号模块100，用于采集轴承振动信号，并将其转化为轴承振动信号序列；
[0134]
计算分形维数模块200，用于利用katz方法计算相邻轴承振动信号之间的分形维数值；
[0135]
提取包络模块300，用于根据所述分形维数值跟踪所述每相邻轴承振动信号之间轴承故障产生的冲击位置，并提取冲击位置的包络线；
[0136]
计算峰值模块400，用于计算每个包络线的平均值和标准偏差，基于所述平均值和标准偏差计算包络信号的峰值；
[0137]
抑制干扰模块500，用于将所述包络信号的峰值与标准偏差差值小于1的所述包络信号的峰值置为1，剩余的包络信号为轴承故障特征。
[0138]
本实施例的轴承故障特征提取的装置用于实现前述的轴承故障特征提取的方法，因此轴承故障特征提取的装置中的具体实施方式可见前文中的轴承故障特征提取的方法的实施例部分，例如，采集信号模块100，计算分形维数模块200，提取包络模块300，抑制干扰模块400，分别用于实现上述轴承故障特征提取的方法中步骤s101，s102，s103和s104，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
[0139]
本发明具体实施例还提供了一种轴承故障特征提取的设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种轴承故障特征提取的方法的步骤。
[0140]
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种轴承故障特征提取的方法的步骤。
[0141]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0142]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0143]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术
领域内所公知的任意其它形式的存储介质中。
[0144]
以上对本发明所提供的一种轴承故障特征提取方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。