基于改进小波包阈值去噪与局部均值分解的故障提取方法与流程

本发明涉及轴承的故障特征提取方法，特别涉及一种基于改进小波包阈值去噪与局部均值分解的故障提取方法，属于信号处理技术领域。

背景技术：

轴承是机械装备的一个重要组成部分，同时也是容易发生故障的一个部件，其运行状态对机械整体的工作性能有很大的影响。滚动轴承发生异常时其振动信号也会随之改变，振动信号包含了丰富的轴承状态信息，因此通过采集振动信号，结合信号处理技术对其进行分析，可以实现故障诊断。轴承是一个周期性回转式运动的系统，同时受到设备及负载的影响，其振动信号表现为非平稳的调制信号，尤其是故障的早期阶段，故障信号非常微弱，而且信号中混有大量的背景噪声干扰，信噪比较低，因此如何有效地提取故障信号中的故障特征是轴承故障诊断的关键。

传统使用的如频谱分析、包络分析、小波分析、形态学滤波等方法，在实际应用中，由于多故障源及背景噪声的干扰导致故障特征提取不彻底，造成误判和漏判等情况，对机械设备运行评估不完全。

技术实现要素：

本发明的目的在于：克服现有故障特征提取的不足，提供一种基于改进小波包阈值去噪与局部均值分解的故障提取方法，改善采样信号的去噪效果，凸显强背景噪声下的微弱故障特征，从而提高轴承故障诊断的准确性。

本发明的目的是通过以下技术方案来实现的：基于改进小波包阈值去噪与局部均值分解的故障提取方法，包括如下具体步骤：步骤1：获取故障轴承的振动信号作为采样信号x，并根据所述采样信号x中故障频率和正常频率中的最小频率确定小波包分解层数j；步骤2：使用改进小波包算法对所述采样信号x进行所述步骤1中得到的j层小波包分解，得到m个小波包系数；步骤3：对所述步骤2的所述分解后的m个小波包系数进行二次加权相关阈值去噪，对该去噪后的小波包系数用改进小波包算法进行重构得到去噪信号s；步骤4：对所述步骤3去噪信号s进行lmd分解，得到多个pf分量；步骤5：计算所述步骤4中得到的每个pf分量的均方误差值qi1、峭度qi2、均方根值qi3，以及所述去噪信号s的能量占比qi4和k-l散度qi5指标值，其中i＝1，2，3...h，h为pf分量的个数；步骤6：根据所述步骤5中的各项指标值得到综合评判指标ji，计算公式为：按照从大到小的顺序排列，筛选出前指标对应的pf分量；步骤7：将所述步骤6筛选出的pf分量进行包络解调，提取故障特征频率。

进一步地，所述步骤1中小波包分解层数j的确定方法为：根据尺度与频率的对应关系确定所述采样信号x中故障频率和正常频率中的最小频率、小波包的中心频率及所述采样信号x的采样周期，公式为其中是尺度a对应的伪频率，fc是小波包对应的中心频率，δt是采样周期；伪频率覆盖包括故障频率和正常频率的全部频率范围，即：则故障频率和正常频率中的最小频率小波包末层分解小波包系数的个数从而可计算出小波包分解层数j，其中2^j-1≤l≤2^j。

进一步地，所述步骤2中使用改进小波包算法对采样信号x进行所述步骤1中得到的j层分解过程中，将采样信号x与高通滤波器或者低通滤波器进行卷积，并对卷积后的信号进行fft变换，得到频域信号；对频域信号进行去除多余频率成分处理，将每层频带中多余的成分置零，利用隔点采样和隔点插零的反向折叠作用，纠正频率混叠现象后，再经过ifft变换，返回时域以后，对时域里的信号进行正常的后续小波包处理，从而有效消除频带中的信号交错的频谱。

进一步地，所述对采样信号x进行去除多余频率成分处理，包括c处理和d处理，令x(n)表示2^j尺度上低频子带小波包系数，则所述c定义如下：

所述d的定义如下：

式中，n＝0，1，…nj-1；k＝0，1，…nj-1；nj-2^j尺度的数据长度；算子的输出，x(k)为分频段对频率成分处理后的输出，k为频率分段的区间。

进一步地，所述步骤3中二次加权相关阈值去噪方法为：若所述分解后的小波包系数的自相关函数呈指数衰减，则取阈值为3σ；若所述分解后的小波包系数的自相关函数呈周期性特征，则取阈值为0；否则对阈值做加权处理，定义阈值k，其中为第m个小波包系数的二次相关系数，σm为该小波包系数的标准差。

进一步地，所述二次相关系数为小波包末层各分解系数自相关函数与噪声自相关函数的互相关系数。

进一步地，所述噪声是同等条件下的正常设备运行初期的信号。

进一步地，所述步骤4中对去噪信号s进行lmd分解的方法如下：

(1)定义去噪信号s为原信号x(t)，首先求出该原信号x(t)的全部极值点ni，然后利用该极值点ni求出所有的局域均值mi和局域包络值ai，计算公式如下：

(2)对所述局域均值mi和局域包络值ai采用滑动平均函数进行处理，得到局域均值函数m11(t)和局域包络函数a11(t)；

(3)在所述原信号x(t)中减去局域均值函数m11(t)，再除以包络函数a11(t)进行解调，得到s11(t)：

若s11(t)为纯调频信号，则它的包络信号a12(t)＝1，因此，若a12(t)≠1，则s11(t)不是纯调频信号，那么重复步骤(1)～(3)，直到s1n(t)为纯调频信号，即a1n(t)＝1；

(4)将以上迭代过程产生的a1n(t)相乘，得到第一个pf分量的包络信号a1(t)：

a1(t)＝a11(t)a12(t)...a1n(t)

(5)将所述包络信号a1(t)和所述纯调频信号s1n(t)相乘，得到第一个pf分量：

spf1＝a1(t)s1n(t)

(6)把步骤(5)得到的spf1从所述原信号x(t)中分离出来，得到一个新信号u1(t)，将该新信号u1(t)作为原始信号重复以上步骤，分离出所有的pf分量，直至uk(t)为一个单调函数。

改进小波包算法能够有效解决频带错乱、混叠的问题，使得后续可以从子带中更准确提取有用的信息，二次相关加权阈值去噪方法能够使信噪比提升稳定，失真度小，凸显轴承故障冲击成分，有效抑制噪声，通过改进小波包重构后能够还原出滚动轴承的故障信号。lmd能够有效地分析非平稳的信号，将复杂的信号自适应地分解为若干个生产函数pf分量之和，每个生产函数都是包络信号和纯调频信号的乘积，从而突出了信号的局部特征，适合处理多分量的调制信号。本发明提出的一种基于改进小波包阈值去噪与局部均值分解的故障提取方法，充分结合这两个算法，有效滤除随机噪声和脉冲干扰，凸显强背景噪声下的早期微弱故障特征。

本发明与现有技术相比产生如下有益效果。

(1)与现有的改进的小波包阈值去噪方法相比，本发明将改进小波包阈值去噪与局部均值分解有机的结合在一起，通过采样信号中有用信号的最小频率确定小波包分解层数，从而能够在保证有用信号不丢失的前提下，最大限度的滤除随意噪声；通过对采样信号进行改进小波包变换，有效解决频带错乱、混叠的问题，使得后续可以从中更准确提取有用的信息；通过二次相关加权阈值去噪方法，信号的信噪比提升稳定，失真度小，能够凸显轴承故障冲击成分，有效抑制噪声。

(2)本发明没有直接对经过改进小波包阈值方法去噪后的信号进行分析，而是通过lmd有效地分析，将信号自适应地分解为若干个生产函数pf分量之和，通过综合性评判指标筛选出有效的pf分量，对其进行包络谱分析，从而提取轴承故障特征频率，有效滤除随机噪声和脉冲干扰，凸显强背景噪声下的早期微弱故障特征，达到提高轴承故障诊断的准确性的目的。

附图说明

图1是本发明的故障提取方法流程图。

图2是本发明实施例中采样信号x与去噪信号s示意图。

图3是本发明实施例中第一个pd分量的包络解调结果示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

基于改进小波包阈值去噪与局部均值分解的故障提取方法

如图1所示为本发明的基于改进小波包阈值去噪与局部均值分解的故障提取方法，具体步骤如下。

步骤1：选用美国凯斯西储大学电气工程与计算机科学系的轴承数据作为采样信号x进行分析。根据尺度与频率的对应关系，即：其中是尺度a对应的伪频率，fc是小波包对应的中心频率，δt是采样周期。伪频率应覆盖有用信号的全部频率范围，即：因此有用信号的最小频率minfsig应该大于或等于最大尺度l对应的伪频率：即，小波包末层分解小波包系数的个数从而确定小波包分解层数j(2^j-1≤l≤2^j)。

其中，所述有用信号包括所有故障频率和正常频率，根据采样信号中的有用信号的最小频率确定小波包分解的层数为3。

步骤2：使用改进小波包对采样信号x进行三层分解，得到小波包系数

步骤3：对小波包系数进行二次加权相关阈值去噪，对去噪后的小波包系数用改进小波包算法进行重构，得到去噪后的信号s，采样信号x与去噪信号s如图2所示。

步骤4：将去噪后信号s进行lmd分解，得到4个pf分量。

步骤5：计算出对于所述步骤4中得到的每个pf分量的均方误差值qi1(i＝1，2，3...，n)、峭度qi2、均方根值qi3，以及相对步骤3中得到的去噪信号的能量占比qi4和k-l散度qi5指标值，综合评判指标ji为

步骤6：根据步骤5中的各项指标得到综合评判指标ji，筛选前两个的pf分量进行包络解调，第一个pd分量的包络解调后得到的结果如图3所示，提取出故障频率149.4hz，与内圈故障频率156.2hz接近，从而推断出是内圈故障。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，仍然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。