一种轴承故障诊断方法
【专利摘要】本发明公开了一种轴承故障诊断方法，属于机械故障领域，其内容包括如下步骤：采用柔性形态滤波方法对采集到的振动信号进行降噪，提高信噪比；对降噪后的振动信号进行LMD分解，得到PF分量；对每一个PF分量进行频谱分析，得到频谱图；从得到功率谱图中，提取故障特征频率。本发明的有益效果：采用柔性形态滤波方法对振动信号进行降噪，消除了振动信号中的噪声成分，经过频谱校正后的故障频率比未校正的故障频率，更接近于真实的故障特征频率，提高了轴承故障诊断的准确性。
【专利说明】一种轴承故障诊断方法
【技术领域】
[0001] 本发明属于机械故障领域，涉及一种柔性形态滤波方法和LMD相结合的轴承故障 诊断方法。
【背景技术】
[0002] 滚动轴承是各种旋转机械中应用最广泛的一种机械部件，它的运行状态直接影响 设备的性能，当其局部存在缺陷时，运转过程中会产生脉冲冲击，不同的部位产生的脉冲信 号频率不同，如果可以有效的提取冲击脉冲信号，便可以诊断存在缺陷的位置。常用的故障 特征提取方法主要有快速傅里叶变（Fast Fourier transform, FFT)、小波变换和经验模态 分解（Empirical mode decomposition, EMD)等。2005 年，Jonathan. Smith 提出了一种新 的自适应时频分析方法，称之为局域均值分解（(Local mean decomposition,简称LMD)，并 成功应用于脑电（EEG)信号的时频分析中，该方法能有效处理非线性、非平稳信号，近几年 在故障诊断中取得了良好的效果。
[0003] FFT无法同时兼顾信号在时域和频域中的全貌和局部化问题。小波变换对时频面 的分割是机械格型，而且小波基不同，分解结果不同，小波基比较难选择；EMD方法能将信 号分解为多个IMF (Intrinsic mode function)分量，对所有IMF分量做Hilbert变换能得 到信号的时频分布，但在理论上还存在一些问题，如EMD方法中的模态混淆、欠包络、过包 络、端点效应等问题，均处在研究之中。LMD方法是一种有效的时频分析方法，但是实际信号 中往往夹杂了大量的噪声，这些噪声也参与LMD分解，致使原始故障特征信息与噪声混淆 而不易提取，不仅如此，噪声成份使得LMD分解层数增加，产生伪分量，还可能导致算法不 收敛，加重边界效应，严重时会使LMD分解失去实际的物理意义，从而影响对故障的准确诊 断。
【发明内容】
[0004] 本发明的目的：
[0005] 对采用柔性形态滤波和LMD相结合的方法，解决噪声干扰问题。
[0006] 本发明的技术方案：
[0007] 首先采用柔性形态滤波方法对采集到的振动信号进行降噪，提高信噪比，降低噪 声的干扰。柔性形态滤波既可以有效地提取出信号的边缘轮廓和信号的形状特征，同时又 具有稳健性；其次采用LMD方法对降噪后的振动信号进行分解，得到的每个PF分量包含着 原信号部分特征信息，其复杂程度要比原信号相对简单得多。这样就把对原信号各种特征 信息的分析，转化为对各个PF分量的分析，更容易对原信号进行认识和把握。由于PF分量 所含信号的成份较为简单，其中所包含的故障特征信息就不易被其他信息所淹没，因此从 PF分量中提取故障信息就变的相对简单。然后对PF分量进行功率谱分析，提取故障特征。
[0008] 具体步骤如下：
[0009] 一种轴承故障诊断方法，其特征在于，包括如下步骤：
[0010] 第一，采用柔性形态滤波方法对采集到的振动信号进行降噪，提高信噪比；
[0011] 第二，对降噪后的振动信号进行LMD分解，得到PF分量；
[0012] 第三，对每一个PF分量进行频谱分析，得到频谱图；
[0013] 第四，从得到功率谱图中，提取故障特征频率。
[0014] 所述第三步骤完成后，采用校正算法对频谱进行校正，得到校正后的频谱图。
[0015] 所述第一步骤中采用柔性形态滤波方法对采集到的振动信号进行降噪。
【权利要求】
1. 一种轴承故障诊断方法，其特征在于，包括如下步骤： 第一，采用柔性形态滤波方法对采集到的振动信号进行降噪，提高信噪比； 第二，对降噪后的振动信号进行LMD分解，得到PF分量； 第三，对每一个PF分量进行频谱分析，得到频谱图； 第四，从得到功率谱图中，提取故障特征频率。
2. 根据权利要求1所述的轴承故障诊断方法，其特征在于，所述第三步骤完成后，采用 校正算法对频谱进行校正，得到校正后的频谱图。
3. 根据权利要求1所述的轴承故障诊断方法，其特征在于，所述第一步骤中采用柔性 形态滤波方法对采集到的振动信号进行降噪。
4. 根据权利要求1所述的轴承故障诊断方法，其特征在于，所述第一步骤中对降噪后 的振动信号进行LMD分解，得到PF分量的具体方法为：对于任意给定信号X (i)，其分解过 程如下：找出信号x(i)所有局部极值点^，求出所有相邻局部极值点平均值和所有相邻局 部极值点相减的绝对值，并分别除以2,得到叫和％ : (1) 2 J乂一?丨 (2) 1 2 然后将所有相邻1?用直线连接起来，再用滑动平均法进行平滑处理，得到局部均值函 数mn (t)。用同样的方法得到包络估计函数an (t)。 将局部均值函数mn(t)从原始信号x(t)中分离出来，得到： hn(t) = x(t)-mn(t) (3) 再用hn(t)除以包络估计函数an(t)以对hn(t)进行解调，得至IJ: sn(t) = hn (t)/an (t) (4) 理想地，sn(t)是一个纯调频信号，即它的包络估计函数a12(t)满足a12(t) = 1，如果 a12 (t)尹1，则将sn (t)作为原始数据重复上述迭代过程，直到sln(t)是一个纯调频信号，即 它的包络估计函a1(n+1)(t)满足a 1(n+1)(t) = 1。实际应用中，在不影响分解效果的前提下，设 定一个变动量Λ，当满足1- Λ < aln < 1+ Λ时，迭代终止。 最后把迭代过程中产生的所有包络估计函数相乘得到包络信号： η a,{t) = a,,{t)a,2{t)...aUi{t) = \\aUi{t) (5) ^=1 将包络信号％ (t)和纯调频信号sln (t)相乘得到原始信号第一个PF分量： PF! (t) = a! (t) sln (6) 它包含给定信号中最高频率成分，PFjt)是一个单分量调幅-调频信号，其瞬时幅值就 是包络信号ajt)，其瞬时频率f\(t)则可由纯调频信号sln(t)求出。 将？匕(〇从给定信号以〇中分离出来，得到一个新信号1!1(〇，将111(〇作为原始数据 重复以上步骤，循环k次，直到uk(t)为一个单调函数为止。 这样给定原始信号X (t)被分解成k个PF分量和uk (t)之和，即 χ(? 二 f/Fp(t) + ut(t) (7) /7=1 式中：Uk(t)是残余项；PFp(t)为包络信号和纯调频信号乘积。
【文档编号】G01M13/04GK104236905SQ201410424502
【公开日】2014年12月24日 申请日期:2014年8月26日 优先权日:2014年8月26日
【发明者】孙伟, 李新民, 刘正江, 邓建军, 陈焕, 金小强, 王江华, 陈卫星, 陈 峰, 熊景斌, 蔡士整 申请人:中国直升机设计研究所