一种基于时频域多维振动特征融合的滚动轴承故障诊断方法
【技术领域】
[0001] 本发明属于自动化检测及模式识别领域，具体涉及旋转机械故障诊断和智能识别 方法。
【背景技术】
[0002] 滚动轴承的故障诊断大概始于20世纪60年代，经过几十年的迅猛发展，到现在已 经成为一个融合了机械检测领域和自动控制领域以及模式识别领域的综合性应用学科。
[0003] 滚动轴承作为机械设备中的关键部件，其状态对机械系统的正常运行起着至关重 要的作用。影响滚动轴承运行状态的因素有很多如温度、机械和环境因素，有些故障是瞬间 产生的，而有些是缓慢长期退化引起的，由此产生的滚动轴承故障形式是多样的，引起的故 障严重程度也有差别。滚动轴承由外环、内环、滚子和保持架等单元组成。滚动轴承的故障 复杂性还体现在单元故障特征多样性以及单元的故障原因不唯一，通过轴承故障诊断，定 位轴承故障单元，对找出故障原因起着关键作用。
[0004] 1946年，Gabor提出的短时傅里叶变换是最早提出的一种时频分析方法，只适于 分析在时间窗内平稳的一些缓变的非平稳信号，时间窗内的分辨率是固定不变的。经验模 态分解（EMD)最早由美国国家宇航局的美籍华人NordenE.Huang于1996年提出，是一种 基于经验的非线性、非平稳信号分析方法，目前尚未有原理证明该方法的科学性。EMD提取 的IMF个数的判别算法并不完善，容易出现端点效应，丢失信号的频率信息，使诊断精度受 到影响，并且提取信号边际谱和Hilbert谱的算法时间复杂度高，不利于实际操作。小波包 分析是基于时频域的信号处理方法，其良好的局部优化性质，使得小波包分析在处理非平 稳信号上表现出多尺度和对突变信号的探测能力，成为故障诊断和信号分析领域的研究的 执占。
[0005] 单一的时域特征和频域特征所反映的信号特征不全面，时域特征无法反映频域的 振动信息，同样在频域分析中无法反映出时域的特征趋势。以往的故障诊断中，都是提取 单一域的特征，或者提取少量典型特征进行诊断分析，诊断精度有限，这就迫切需要更加全 面的诊断算法，来实现诊断精度的突破。并且在智能判别算法上，神经网络等各种非线性分 类器的算法复杂度要高，而采用特征指标距进行分类，不仅降低算法复杂度，还利于编程实 现，具有良好的工程应用价值。
【发明内容】
[0006] 本发明目的在于从更全面，更高精度和更小复杂度方面优化滚动轴承故障诊断技 术，提出了一种基于时频域多维振动特征融合的滚动轴承故障诊断方法，该方法全面反映 滚动轴承振动信号的特征，并且在很短的时间内完成很高的诊断正确率，同时易于实现轴 承的实时在线监测，该方案的具体步骤如下：
[0007] 消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理；
[0008] 特征参数提取器对消噪后的不同工况下的滚动轴承的振动信息，提取多个时域特 征参数，每个时域特征参数选取多组样本组成时域特征矩阵；
[0009] 小波包分解器对消噪后的不同工况下的滚动轴承的振动信息，进行小波包分解， 小波包重构器重构分解后的小波包系数；
[0010] 计算处理器对重构的小波包系数进行能量矩计算，得到小波包能量矩阵；
[0011] 所述计算处理器将时域矩阵和频域矩阵融合为多维特征矩阵，用相关系数法剔除 诊断精度不高的冗余特征向量，生成新的多维特征矩阵；
[0012] 所述计算处理器求出滚动轴承多维特征矩阵的指标距；根据多维特征指标距判断 滚动轴承的状态属性。
[0013] 该方案的特点首先给出了多维特征矩阵的定义，全面反映了振动信号的时域和频 域特征，提高诊断精度；然后，去除诊断效果较差的特征的影响，减少特征冗余，提高算法的 计算时间复杂度；第三，采用多维特征指标距进行智能诊断，提高诊断效率，采用各种编译 器都容易进行算法实现。
【附图说明】
[0014] 图1是多维时频域振动特征融合的滚动轴承故障诊断流程图
[0015] 图2是正常滚动轴承原始振动信号和消噪后振动信号对比
[0016] 图3是内环故障滚动轴承原始振动信号和消噪后振动信号对比
[0017] 图4是提取的四种状态下的轴承振动信号时域特征对比图
[0018] 图5是时域特征诊断可靠度对比图
[0019] 图6是频域特征均值和方差
[0020] 图7是多维特征矩阵去冗余结果
[0021] 图8是特征指标距的诊断结果图
【具体实施方式】
[0022] 本发明所提出的基于多特征参量的滚动轴承故障诊断方法流程图如图1所示：
[0023] SlOL消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理；
[0024] 消噪器对采集的原始的滚动轴承振动信号进行自适应阈值的小波消噪处理。滚动 轴承在运行中往往受到附近设备振动以及其它外界因素的影响，在实际应用中，消噪器需 要对信号进行消噪处理，去除干扰信息，以保证滚动轴承故障诊断真实可靠。消噪采用小波 自适应阈值的方法进行，通过下式先对二进小波变换系数进行压缩，获得阈值消噪后 的小波系数au进行重构获得满足最小均方误差的消噪结果：
【主权项】
1. 一种基于多维时频域特征矩阵的滚动轴承故障诊断方法，其特征在于包括以下步 骤： 消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理； 特征参数提取器对消噪后的不同工况下的滚动轴承的振动信息，提取多个时域特征参 数，每个时域特征参数选取多组样本组成时域特征矩阵； 小波包分解器对消噪后的不同工况下的滚动轴承的振动信息，进行小波包分解，小波 包重构器重构分解后的小波包系数； 计算处理器对重构的小波包系数进行能量矩计算，得到小波包能量矩阵； 所述计算处理器将时域矩阵和频域矩阵融合为多维特征矩阵，用相关系数法剔除诊断 精度不高的冗余特征向量，生成新的多维特征矩阵； 所述计算处理器求出滚动轴承多维特征矩阵的指标距；根据多维特征指标距判断滚动 轴承的状态属性。
2. 根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，多维特征矩阵为由一 组轴承振动样本提取的不同特征参量组成的特征矩岸
其中，r表示样本组数，s表示特征个数，A为多维特征矩阵。
3. 根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述消噪器对采集到 的滚动轴承振动信号进行自适应阈值的小波消噪处理，包括： 通过公式
对二进小波变换系数ωu进行压缩，获得 阈值消噪后的小波系数au进行重构获得满足最小均方误差的消噪结果，其中，为尺 度j的第k点的小波系数，％为尺度j的小波变换系数均值，&为尺度j下的消噪阈值水 平，a j;k为经过消噪后在尺度j的第k点的小波系数； 利用函数
进行阈值估计，其中，Cu是第j尺度下小波系数的各个 局部成分的复杂度的最大值，Cmax是等长的高斯白噪声复杂度，是置信度，Tu是第j尺 度的具有最大复杂度的局部成分鲁棒估计。
4. 根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述多个时域特征参 数包括峭度、峰值、裕度、波形、脉冲和偏态。
5. 根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述计算处理器对重 构的小波包系数进行能量矩计算，包括： 利用公式
2求出离散频带的能量矩数值，其中A u为小波包重构系 数，△ t为采样周期，i为采样点，j为系数序号，η为采样点总数； 提取归一化的能量矩特征向量，包括：构造向量PKb E11E2,...，Em]，并根据公式
G将其归一化，W为频域特征矩阵。
6. 根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述计算处理器将时 域矩阵和频域矩阵融合为多维特征矩阵，包括：将时域-频域特征进行融合，融合矩阵为
，其中η为测试样本数。
7. 根据权利要求书1所述的滚动轴承故障诊断方法，其特征在于，相关系数组成的相 关系数矩阵表示为
求出所有特征的相关系数，形成相关系数矩 阵。m、n为互不相等的类别代码，V为特征总数。
8. 根据权利要求书7所述的滚动轴承故障诊断方法，其特征在于，相关系数矩阵通过 硬阈值转化为布尔矩阵，布尔矩阵的每一列是否为全零列，是判断该特征是否冗余的标准。
9. 根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述多维特征指标距 即为多维特征内各个特征参量与均值的欧氏距离。
10. 根据权利要求9所述的滚动轴承故障诊断方法，其特征在于，所述欧氏距离的权值 入为特征向量对应的相关系数的占空比。
【专利摘要】本发明提出了一种基于时频域多维故障特征融合的滚动轴承故障诊断算法，针对滚动轴承的正常状态、滚子故障、内环故障和外环故障四种状态下的振动信号在时频域上各自的特点，采取提取时域、频域特征，去冗余，再融合的思路，对故障特点进行优化描述，并得出智能判别结果。首先对提取的原始滚动轴承振动数据进行小波消噪，然后提取时域特征向量组成时域特征矩阵，并且提取小波包分解和重构后的系数能量矩组成频域特征矩阵，进一步融合时频域矩阵，得到时频域的多维故障特征矩阵。对多维特征矩阵进行去冗余处理，得到新的多维特征矩阵。然后用加权的特征指标距将多维特征进行信息融合，通过融合得到的特征指标距得出滚动轴承的状态的判别结果。
【IPC分类】G01M13-04
【公开号】CN104655423
【申请号】CN201310581237
【发明人】付云骁, 贾利民, 吕劲松, 季常煦, 姚德臣, 李乾, 卢勇
【申请人】北京交通大学, 广州市地下铁道总公司
【公开日】2015年5月27日
【申请日】2013年11月19日