用于齿轮箱设备故障诊断的信号处理方法和装置与流程

本发明属于信号处理技术领域，特别涉及一种用于齿轮箱设备故障诊断的信号处理方法和装置。

背景技术：

齿轮箱是机械设备中的主要传动部件也是最易发生故障的部件，对于齿轮箱等传动部件的故障诊断成了众多设备维护的关键问题。由于设备现场情况复杂，故障信号往往被噪声淹没，因此如何对故障信号进行特征提取、信号净化，对设备早期故障诊断十分重要。设备故障诊断就是判断分析机械运行的状态，包括机械设备状态的监测、早期故障识别以及故障诊断等几方面。故障诊断过程包括故障信息的获取、故障特征信息的提取和状态识别三个部分，其中故障特征提取和故障诊断是两个关键环节。

通过数十年的发展，从最初时域指标分析，逐渐发展到多种分析技术，如频谱分析、解调分析、经验模式分解、小波分析、第二代小波分析等，傅里叶变换仍然是众多的信号处理方法中应用最为广泛也是最基本的方法。然而，傅里叶变换的实质是通过对信号与三角函数作内积运算，将时域信号转换为频域的表示方式。傅里叶变换主要是针对时间平稳信号，然而对于现实中非平稳的复杂信号，傅里叶变换不再满足分析的需要。

小波分析正是在这一背景下和基础上发展起来的，它在时域和频域都能描述信号局部的特征，大大改善了傅里叶变换在时域无明显分辨率、频域协调性较差等缺点。针对齿轮箱信号的降噪及早期故障特征的提取，小波分析是较为常用的方法。目前的小波分析研究主要从小波函数的确定与阈值的选取两方面进行降噪效果的分析，分解层数的确定尚未得到彻底的解决。

奇异谱分析(singularspectrumanalysis,ssa)是数据信号领域的一项重要技术，它打破了许多传统的方式方法，如使用的假设前提与限制条件，结合典型时间序列分析、多元统计、多元几何、动态系统、信号处理及奇异值分解(singularvaluedecomposition,svd)^[47]各元素，成为了一类无参、独立于模型的时序分析技术。奇异谱分析方法主要是将原始序列经过延时排列成矩阵的形式，应用奇异值分解将原始序列分解成少数可解释、独立的成份之和，如缓慢变化趋势、摆动成份和随机噪声。

目前，奇异谱分析通常用作传统预测模型预处理的手段，即降噪后采用某类传统预测模型进行预测。奇异谱分析(ssa)目前已经为时序分解的有力工具之一，不仅能有效地避免傅里叶谱分析、小波分析方法的缺陷、弥补不足，同时其自身对原始序列不作统计分布、平稳性等相关假设，条件相对较为宽松。此外，与传统的功率谱分析法相比，传统的功率谱分析只能提供序列平均周期，对周期振荡时变特性描述无能为力。然而故障诊断中却是很少应用奇异谱分析，如何将奇异谱分析应用于齿轮箱设备的故障诊断中，提高故障诊断中的准确性，是目前亟待解决的技术难题。

技术实现要素：

为了解决现有技术存在的上述问题，本发明提供了一种用于齿轮箱设备故障诊断的信号处理方法和装置，以解决现有技术中故障诊断的准确性差的技术问题。

本发明所采用的技术方案为：提供一种用于齿轮箱设备故障诊断的信号处理方法，包括：对获取的离散信号进行冗余提升小波分解，获取当前分解层的细节信号和逼近信号；对所述细节信号进行奇异谱分析，获取当前分解层的所述细节信号的奇异值；根据所述当前分解层的所述细节信号的奇异值，计算所述当前分解层的奇异谱斜率；若所述当前分解层的奇异谱斜率小于预设的阀值，响应于所述逼近信号，对所述离散信号进行更新，重复以上步骤；否则，获取当前分解层的层数为最优分解层数。

可选的，所述离散信号的初始值为一组等间隔采样的离散信号。

可选的，所述阈值的计算公式为：

其中ej1为尺度为i＝1上细节信号的奇异值。

可选的，所述若所述当前分解层的奇异谱斜率小于预设的阀值，响应于所述逼近信号，对所述离散信号进行更新，重复以上步骤；否则，获取当前分解层的层数为最优分解层数，为：若所述当前分解层的奇异谱斜率小于预设的阀值，则判断所述当前分解层的层数是否小于等于5；若是，响应于所述逼近信号，对所述离散信号进行更新，重复以上步骤；否则，获取当前分解层的层数5为最优分解层数。

可选的，还包括：若所述最优分解层数大于5，则选取5为最优分解层数。

可选的，所述方法之前，还包括：采集齿轮箱工作状态下的声发射信号作为所述离散信号的初始值。

可选的，所述采集齿轮箱工作状态下的声发射信号为：将声发射传感器安装在齿轮箱设备需要监测的部位，用以采集齿轮箱工作状态下的声发射信号。

可选的，所述需要监测的部位为齿轮箱轴承座处。

可选的，所述方法之后，还包括：根据所述最优分解层数，对采集到的声发射信号利用冗余提升小波分析处理获得信号的时域图和频域图；通过对所述时域图和频域图的分析判定设备故障情况。

本发明还提供一种用于齿轮箱设备故障诊断的信号处理装置，包括：

信号采集单元，用于采集齿轮箱工作状态下的声发射信号；

冗余提升小波分解单元，用于对获取的离散信号进行冗余提升小波分解，获取当前分解层的细节信号和逼近信号；

奇异谱分析单元，用于对所述冗余提升小波分解单元获取的细节信号进行奇异谱分析，获取当前分解层的所述细节信号的奇异值；

奇异谱斜率计算单元，用于根据所述奇异谱分析单元获取的当前分解层的所述细节信号的奇异值，计算获得所述当前分解层的奇异谱斜率；

最优分解层数获取单元，用于判断所述奇异谱斜率计算单元计算获得的所述当前分解层的奇异谱斜率是否小于预设的阀值，若是响应于所述冗余提升小波分解单元获取的当前分解层的所述逼近信号，对所述冗余提升小波分解单元的离散信号进行更新，否则，获取当前分解层的层数与5之间的最小值为最优分解层数；

分析单元，用于根据所述最优分解层数获取单元获取的所述最优分解层数，对所述信号采集单元采集到的所述声发射信号利用冗余提升小波分析处理获得信号的时域图和频域图；

故障诊断单元，用于通过对所述分析单元获得的所述信号的时域图和频域图进行分析处理判定设备故障情况。

本发明的有益效果为：通过对获取的离散信号进行冗余提升小波分解，获取当前分解层的细节信号和逼近信号；对所述细节信号进行奇异谱分析，获取当前分解层的所述细节信号的奇异值；根据所述当前分解层的所述细节信号的奇异值，计算所述当前分解层的奇异谱斜率；若所述当前分解层的奇异谱斜率小于预设的阀值，响应于所述逼近信号，对所述离散信号进行更新，重复以上步骤；以此获得最优分解层数对齿轮箱工作状态下的声发射信号利用冗余提升小波分析处理进行诊断判定设备故障情况，解决了现有技术中故障诊断的准确性差的技术问题，有效提高了故障诊断的准确性。

附图说明

图1示出了根据本发明一个实施例的获取最优分解层数的实现过程图；

图2示出了根据本发明一个实施例的经冗余提升小波分析处理后信号的时域图；

图3示出了根据本发明一个实施例的经冗余提升小波分析处理后信号的频域图；

图4示出了根据本发明一个实施例的用于齿轮箱设备故障诊断的信号处理装置的结构图。

具体实施方式

本发明提供一种用于齿轮箱设备故障诊断的信号处理方法和装置，以解决现有技术中的设备故障诊断的准确性差的技术问题。

本申请实施例中的技术方案为解决上述的技术问题，总体思路如下：齿轮箱是机械设备中较易发生故障的部件，其健康运行时保证设备整体运行平稳的关键。如何能简单有效的将齿轮箱早期故障信号在复杂的噪声背景中提取出来并通过信号处理分析发现故障类型，是本发明的出发点。

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

实施例1

如图1中所示，本实施例提供一种用于齿轮箱设备故障诊断的信号处理方法，包括如下步骤：

s1、对获取的离散信号进行冗余提升小波分解，获取当前分解层的细节信号和逼近信号；

s2、对所述细节信号进行奇异谱分析，获取当前分解层的所述细节信号的奇异值；

s3、根据所述当前分解层的所述细节信号的奇异值，计算所述当前分解层的奇异谱斜率；

s4、若所述当前分解层的奇异谱斜率小于预设的阀值，响应于所述逼近信号，对所述离散信号进行更新，返回步骤s1；否则，获取当前分解层的层数为最优分解层数。

作为步骤s1的一种优选的实施方式，所述离散信号的初始值为一组等间隔采样的离散信号。

作为步骤s4中阈值的一种优选的实施方式，所述步骤s4中阈值的计算公式为：

其中ej1为尺度为i＝1上细节信号的奇异值。

作为步骤s4的一种优选的实施方式，如图1所示，所述步骤s4，为：若所述当前分解层的奇异谱斜率小于预设的阀值，则判断所述当前分解层的层数是否小于等于5；

若是，响应于所述逼近信号，对所述离散信号进行更新，返回步骤s1；

否则，获取当前分解层的层数5为最优分解层数。

作为步骤s4的另一种优选的实施方式，所述步骤s4之后，还包括：若所述获取的最优分解层数大于5，则选取5为最优分解层数。

作为上述实施例的一种可选的实施方式，所述步骤s1之前，还包括：采集齿轮箱工作状态下的声发射信号作为所述离散信号的初始值。

作为上述实施例的一种优选的实施方式，所述采集齿轮箱工作状态下的声发射信号为：将声发射传感器安装在齿轮箱设备需要监测的部位，用以采集齿轮箱工作状态下的声发射信号。

可选的，所述需要监测的部位为齿轮箱轴承座处。

作为上述实施例的一种优选的实施方式，所述步骤s4之后，还包括：根据所述最优分解层数，对采集到的声发射信号利用冗余提升小波分析处理获得信号的时域图和频域图；通过对所述时域图和频域图的分析判定设备故障情况。

下面对该方法的一个具体实施过程和原理做一详细介绍：

(1)将声发射传感器安装在齿轮箱设备需要监测的部位，一般选择齿轮箱轴承座处，用以采集齿轮箱工作状态下的声发射信号。

(2)应用基于奇异谱和冗余提升小波分析的齿轮箱早期故障诊断方法的步骤如下:

1)取一组等间隔采样的离散信号x＝[x(1),x(2),…,x(n)]，按照每行排列n个采样点，每行一次往后移一个采样间隔，构造出m×n阶矩阵：

式中1＜n＜n,m＝n-n+1，矩阵a称之为hankel矩阵，又称之为重构吸引子轨迹矩阵。

根据上述原理，选取冗余提升小波分解过程中的高频信号即细节信号，构成一序列s＝{si,i＝1,2,…n}，并对此序列进行奇异谱分析，依据一定的延时τ，将此序列嵌入到维数为m的矩阵中，经过重构得到的矢量为

si＝{s(j-1)+1,s(j-1)+2,…s(j-1)+1+l}(2)

式中l＝n-(m-1)τ-1

将m个矢量构造成l×m的矩阵为轨道矩阵gm，即

然后对轨道矩阵gm进行奇异值分解(svd)，根据矩阵理论，gm∈r^m×l中必定存在正交矩阵u∈r^m×m、v∈r^l×l满足gm＝udv^t，并存在一个对角矩阵d＝diag(λ1,λ2,…λm)，且满足λ1＞λ2＞…＞λm，即m个奇异值，取奇异谱为^[6]：

2)基于奇异谱分析的最优分解层数的确定

根据小波变换原理，如果小波分解层数不足，将导致振动信号的能量受到限制，致使其对应的小波系数容易与其他小波系数在幅值上混淆。小波系数表现为白噪声特性；如果小波分解层数逐渐增多时，有用信号的受压缩性较显著，小波系数的幅值明显大于噪声信号，说明有用信号在小波空间中占主导地位，小波系数表现为信号特性^[7,8]。由此容易得出，分解层数的确定是至关重要的，分解层数不足，致使信噪比差，信号奇异谱图较为平坦；当分解层数逐渐变大时，信号奇异谱出现明显的下降趋势。故可将奇异谱变化斜率k作为最佳分解层数的判定。

式中i——当前分解层，即第i层；

λi1——第i层分解层下经过svd分解后最大奇异值；

λim——第i层分解层下经过svd分解后最小奇异值；

ki——第i层分解层下奇异谱斜率

根据奇异谱变化斜率k，当分解层数逐渐增多时，信号经过冗余提升小波降噪后，信噪比明显增强。于此同时奇异谱的斜率k也呈现增大趋势。当奇异谱斜率达到到达峰值时，信号的信噪比达到最大，此时实现了分解层数的最优化，从而充分发挥了小波分析的效果。大量实验显示：当分解层数大于5时，信号大多会出现失真，故设定最大分解层数nmax为5。分解层数最优化实现过程如图1所示：

由此根据大量实验得出阈值的计算公式为：

式中ej1为尺度为i＝1上细节信号的奇异值。

选取不同信噪比的含噪信号进行不同分解层数下奇异谱斜率计算，随着分解层数的增加奇异谱斜率也逐渐增大，当奇异谱斜率达到某特定值后，奇异谱的斜率会随着分解层数的增加而有下降的趋势，说明当分解层数达到一定值时，有效信号的特征得到充分地增强，此时分解层数为最优。

3)利用步骤(1)采集的声发射信号根据分解层数最优化实现过程

选定最优化分解层数。

4)根据选定最优化分解层数，对采集到的声发射信号利用冗余提升小波分析处理得到信号的时域图(如图2所示)和频域图(如图3所示)。通过对时域图和频域图的分析判定设备故障情况。

特别指出的是，上述方法步骤不一定按照编号顺序执行，之所以用编号只是为了表述的方便，只要能实现本发明的目的，任何步骤上的改变都应在本发明的权利要求保护范围内。

实施例2

如图4所示，本实施例提供一种采用上述方法的用于齿轮箱设备故障诊断的信号处理装置，包括：

信号采集单元100，用于采集齿轮箱工作状态下的声发射信号；

具体地，可将声发射传感器安装在齿轮箱设备需要监测的部位，一般选择齿轮箱轴承座处，用以采集齿轮箱工作状态下的声发射信号。

冗余提升小波分解单元200，用于对获取的离散信号进行冗余提升小波分解，获取当前分解层的细节信号和逼近信号；

具体地，可选取信号采集单元100采集的一组等间隔的声发射信号作为离散信号的初始值x＝[x(1),x(2),…,x(n)]，按照每行排列n个采样点，每行一次往后移一个采样间隔，构造出m×n阶矩阵：

式中1＜n＜n,m＝n-n+1，矩阵a称之为hankel矩阵，又称之为重构吸引子轨迹矩阵。利用该重构吸引子轨迹矩阵进行冗余提升小波分解，获取当前分解层的细节信号和逼近信号。其中分解层的初始值设为0，每进行一次冗余提升小波分解过程，当前分解层数加1。

奇异谱分析单元300，用于对所述冗余提升小波分解单元200获取的细节信号进行奇异谱分析，获取当前分解层的所述细节信号的奇异值；

具体地，根据上述原理，选取冗余提升小波分解过程中的高频信号即细节信号，构成一序列s＝{si,i＝1,2,…n}，并对此序列进行奇异谱分析，依据一定的延时τ，将此序列嵌入到维数为m的矩阵中，经过重构得到的矢量为：

si＝{s(j-1)+1,s(j-1)+2,…s(j-1)+1+l}(2)

式中l＝n-(m-1)τ-1。

将m个矢量构造成l×m的矩阵为轨道矩阵gm，即

然后对轨道矩阵gm进行奇异值分解(svd)，根据矩阵理论，gm∈r^m×l中必定存在正交矩阵u∈r^m×m、v∈r^l×l满足gm＝udv^t，并存在一个对角矩阵d＝diag(λ1,λ2,…λm)，且满足λ1＞λ2＞…＞λm，即m个奇异值，取奇异谱为^[6]：

奇异谱斜率计算单元400，用于根据所述奇异谱分析单元300获取的当前分解层的所述细节信号的奇异值，计算获得所述当前分解层的奇异谱斜率；

具体地，奇异谱斜率为：

式中i——当前分解层，即第i层；

λi1——第i层分解层下经过svd分解后最大奇异值；

λim——第i层分解层下经过svd分解后最小奇异值；

ki——第i层分解层下奇异谱斜率。

最优分解层数获取单元500，用于判断所述奇异谱斜率计算单元400计算获得的所述当前分解层的奇异谱斜率是否小于预设的阀值，若是响应于所述冗余提升小波分解单元200获取的当前分解层的所述逼近信号，对所述冗余提升小波分解单元200的离散信号进行更新，否则，获取当前分解层的层数与5之间的最小值为最优分解层数；

具体地，根据小波变换原理，如果小波分解层数不足，将导致振动信号的能量受到限制，致使其对应的小波系数容易与其他小波系数在幅值上混淆。小波系数表现为白噪声特性；如果小波分解层数逐渐增多时，有用信号的受压缩性较显著，小波系数的幅值明显大于噪声信号，说明有用信号在小波空间中占主导地位，小波系数表现为信号特性^[7,8]。由此容易得出，分解层数的确定是至关重要的，分解层数不足，致使信噪比差，信号奇异谱图较为平坦；当分解层数逐渐变大时，信号奇异谱出现明显的下降趋势。故可将奇异谱变化斜率k作为最佳分解层数的判定。

根据奇异谱变化斜率k，当分解层数逐渐增多时，信号经过冗余提升小波降噪后，信噪比明显增强。于此同时奇异谱的斜率k也呈现增大趋势。当奇异谱斜率达到到达峰值时，信号的信噪比达到最大，此时实现了分解层数的最优化，从而充分发挥了小波分析的效果。大量实验显示：当分解层数大于5时，信号大多会出现失真，故设定最大分解层数nmax为5。分解层数最优化实现过程如图1所示：

由此根据大量实验得出阈值的计算公式为：

式中ej1为尺度为i＝1上细节信号的奇异值。

选取不同信噪比的含噪信号进行不同分解层数下奇异谱斜率计算，随着分解层数的增加奇异谱斜率也逐渐增大，当奇异谱斜率达到某特定值后，奇异谱的斜率会随着分解层数的增加而有下降的趋势，说明当分解层数达到一定值时，有效信号的特征得到充分地增强，此时分解层数为最优。

分析单元600，用于根据所述最优分解层数获取单元500获取的所述最优分解层数，对所述信号采集单元100采集到的所述声发射信号利用冗余提升小波分析处理获得信号的时域图和频域图；

故障诊断单元700，用于通过对所述分析单元600获得的所述信号的时域图和频域图进行分析处理判定设备故障情况。

由上述实施例可见，本发明产生的有益效果是：通过对获取的离散信号进行冗余提升小波分解，获取当前分解层的细节信号和逼近信号；对所述细节信号进行奇异谱分析，获取当前分解层的所述细节信号的奇异值；根据所述当前分解层的所述细节信号的奇异值，计算所述当前分解层的奇异谱斜率；若所述当前分解层的奇异谱斜率小于预设的阀值，响应于所述逼近信号，对所述离散信号进行更新，重复以上步骤；以此获得最优分解层数对齿轮箱工作状态下的声发射信号利用冗余提升小波分析处理进行诊断判定设备故障情况，解决了现有技术中故障诊断的准确性差的技术问题，有效提高了故障诊断的准确性。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。