基于平移不变高密度小波包变换的轴承故障诊断方法与流程

技术特征：

1.一种基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，包括以下步骤：

步骤1.数据采集器采集轴承振动信号f(t)；

步骤2.确定平移不变高密度小波包的分解层数m；

步骤3.基于平移不变小波包变换，分解轴承振动信号f(t)，得到小波包系数

步骤4.确定第m分解层下第i个小波包系数的整体降噪阈值ti；

步骤5.利用硬阈值降噪方法保留属于小波包系数中幅值大于设定阈值ti的部分，去除小波包系数中小于设定阈值ti的部分，得到降噪后的小波包系数

步骤6.利用降噪后的小波包系数进行重构，得到重构信号frec(t)；

步骤7.对重构信号进行频谱分析，根据频谱中突出的频率及其倍频判别轴承故障。

2.根据权利要求1所述的基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，步骤1中的轴承振动信号由安装在电机驱动侧轴承座上的数据采集器采集，其表达式为：

f(t)＝x(t)+n(t)

其中，t为时间，x(t)为不带噪声的特征信号，n(t)为引入的高斯白噪声，高斯白噪声的均值为0，标准差为σ。

3.根据权利要求2所述的基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，步骤2中，0＜m＜log2n，n为轴承振动信号f(t)的采样点数。

4.根据权利要求3所述的基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，步骤3的具体过程为：

当j＝1时，即平移不变高密度小波包分解层数为1时，小波包系数为：

f1⁰(t)＝f(t)*h0(t)

f1¹(t)＝f(t)*h1(t)

f1²(t)＝f(t)*h2(t)

其中，0≤i≤3^j-1，*表示卷积，h0(t)、h1(t)和h2(t)分别为低通滤波器、带通滤波器和高通滤波器；

当2≤j≤m时，即平移不变高密度小波分解层数大于1时，小波包系数为：

其中，表示向下取整，分别为将h0(t)h1(t)、h2(t)的每两个点之间补一个零，downsample为下采样操作。

5.根据权利要求4所述的基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，步骤4中，阈值ti的具体表达式为：

其中，ni为第m层第i个小波包系数的长度；

σi为第m层第i个小波包系数的噪声标准差，其表达式为：

其中，median为中值函数，||表示求绝对值。

6.根据权利要求5所述的基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，步骤5中，的表达式为：

7.根据权利要求1所述的基于平移不变高密度小波包的轴承故障诊断方法，其特征在于，步骤6的具体过程为：

重构的第j层(1≤j≤m-1)第i个小波包系数：

其中，upsample为上采样操作；

重构信号frec(t)：

技术总结
本发明公开了一种基于平移不变高密度小波包变换的轴承早期故障诊断方法，属于轴承早期故障诊断领域。本发明在利用平移不变高密度小波包变换分解输入信号的过程中基于多孔算法增加信息冗余度，解决传统高密度小波变换不具有平移不变性的问题。本发明不仅使信号的低频段得到了分解，信号的中频段分量和高频段分量也得到了进一步分解，提高了输入信号时频分析中在频域上的分辨率，利用所提小波包变换对早期滚动轴承故障信号进行分解，对小波包系数进行硬阈值降噪，然后对降噪后的信号进行重构，进而有效抑制轴承早期故障信号中噪声部分并实现微弱故障特征信号的提取。本发明适用于滚动轴承早期故障诊断。

技术研发人员：李福生;鲁欣;刘治汶;赵彦春;张烁;曾小龙;林荣晔
受保护的技术使用者：电子科技大学
技术研发日：2020.05.11
技术公布日：2020.08.11