基于模平方阈值—FastICA的滚动轴承降噪方法与流程

本发明涉及一种滚动轴承降噪方法，特别是关于一种在风力发电机组中应用的基于模平方阈值—fastica的滚动轴承降噪方法。

背景技术

滚动轴承作为旋转机械如齿轮箱、涡轮机械的核心部件之一，其健康状况极大影响着机器的稳定性和寿命。受工作环境的影响，滚动轴承原始振动信号中常常夹杂着噪声，轴承的故障信号容易被噪声信号所淹没，给滚动轴承的故障特征提取带来了困难，所以有效的信号降噪方法可以显著提高滚动轴承故障诊断的准确率。

技术实现要素：

针对上述问题，本发明的目的是提供一种基于模平方阈值—fastica的滚动轴承降噪方法，其能有效降低滚动轴承原始振动信号所含干扰噪声，提高滚动轴承的特征提取和故障诊断的准确率。

为实现上述目的，本发明采取以下技术方案：一种基于模平方阈值—fastica的滚动轴承降噪方法，其特征在于包括以下步骤：1)通过现有数据采集设备采集滚动轴承的原始振动信号y1；2)将采集到的滚动轴承原始振动信号y1进行模平方阈值降噪，得到模平方阈值降噪后的信号ym；3)将模平方阈值降噪后的信号ym与原始振动信号y1组成输入矩阵y＝[y1；ym]，进行fastica降噪，得到两个独立分量ic1和ic2；4)判断两个独立分量ic1和ic2的时域波形，选择包含较多故障信息的独立分量进行hilbert包络和fft，得到经模平方阈值—fastica降噪后信号的时域波形图和频谱图；5)令模平方阈值—fastica降噪后信号为yf,求原始信号y1与yf的峭度值，根据峭度值判断原始振动信号y1是否存在故障以及模平方阈值—fastica的降噪效果，由降噪后信号的频谱图提取滚动轴承原始振动信号y1的特征频率成分，根据特征频率成分判断滚动轴承是否存在故障以及故障类型。

进一步，所述步骤2)中，模平方阈值降噪具体步骤为：2.1)对原始振动信号y1进行小波阈值降噪；2.2)提取小波分解后振动信号每层的细节系数cd1,cd2,cd3与最后一层的近似系数ca3，运用模平方小波阈值方法对每层的细节系数进行处理。

进一步，所述步骤2.1)中，首先选择小波分解的分解层数为3层与小波基函数db3，对滚动轴承原始振动信号采用小波分解函数wavedec进行分解。

进一步，所述步骤2.2)中，每层的细节系数处理步骤为：2.2.1)利用公式调整每一层的阈值，经公式调整后得到不同分解尺度的阈值λ1,λ2,λ3；其中，λj为每一层的阈值；j为分解尺度，j＝1,2,3；n为采集到的滚动轴承振动信号的长度；cdj,k为第j层第k个细节系数；median()为返回第一层细节系数的中值；2.2.2)利用得到的阈值对每一层的细节系数进行处理，重复步骤2.2.1)～2.2.2)得到每一层的新的细节系数2.2.3)将新的细节系数与最后一层的近似系数ca3组成新的小波分解结构，利用小波重构函数waverec进行小波重构，重构后得到模平方阈值降噪后的信号ym。

进一步，所述步骤2.2.2)中，细节系数处理为：当细节系数cdj的绝对值小于该层阈值λj时将其置0，当细节系数cdj的绝对值大于或等于该层阈值λj时则将其代入公式得到第j层第k个新的细节系数sign()为符号函数。

进一步，所述步骤3)中，基于负熵的fastica降噪的具体步骤如下：3.1)对输入矩阵y进行中心化，使其均值为0；3.2)对中心化后的数据进行白化处理，得到白化后的数据z；3.3)选择需要估计的独立成分的个数m，设迭代次数p←1；3.4)随机选取一个具有单位范数的初始权矢量wp；3.5)迭代计算，即更新wp：其中t为矩阵转置，e[·]为均值运算，g[·]为非线性函数,取g(y)＝tanh(a1y),其中y为随机变量，a1为常数；3.6)进行正交：3.7)标准化wp：wp←wp/||wp||；3.8)假如wp尚未收敛，则返回步骤3.5)；3.9)使p←p+1,若p≤m,则返回步骤3.4)，若p＞m,则结束；3.10)令w(:,n)＝wp,则z＝w′*z,z为模平方阈值降噪后的信号ym与原始振动信号y1组成的输入矩阵y经过fastica处理后的结果；3.11)经过3次迭代后终止，得到两个独立分量ic1和ic2。

进一步，所述步骤5)中，峭度值计算公式为：

其中，xi为信号值，为信号均值，σ为标准差，n为采集到的滚动轴承振动信号的长度。

本发明由于采取以上技术方案，其具有以下优点：1、本发明采用模平方阈值降噪方法对风力发电机组的故障振动信号进行降噪，有效地减少了噪声对故障信息的干扰，克服了应用fastica降噪时的欠定问题。2、本发明降噪后的滚动轴承故障信号经fastica进行盲源分离后，可以实现故障信息和噪声的分离，有效的滤除噪声。3、本发明采用频谱分析可以凸显滚动轴承故障特征信息，有利于故障特征的提取。提高故障诊断准确率。

附图说明

图1是本发明的整体流程示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提供一种基于模平方阈值—fastica的滚动轴承降噪方法，该方法用于滚动轴承特征提取和故障诊断。其包括以下步骤：

1)通过现有数据采集设备采集滚动轴承的原始振动信号y1。

2)将采集到的滚动轴承原始振动信号y1进行模平方阈值降噪。其具体步骤如下：

2.1)对原始振动信号y1进行小波阈值降噪，首先选择小波分解的分解层数为3层与小波基函数db3，对滚动轴承原始振动信号采用小波分解函数wavedec进行分解。

2.2)提取小波分解后振动信号每层的细节系数cd1,cd2,cd3与最后一层的近似系数ca3，运用模平方小波阈值方法对每层的细节系数进行处理，其具体步骤如下:

2.2.1)利用公式调整每一层的阈值，经公式调整后得到不同分解尺度的阈值λ1,λ2,λ3；

其中，λj为每一层的阈值；j为分解尺度，j＝1,2,3；n为采集到的滚动轴承振动信号的长度；cdj,k为第j层第k个细节系数；median()为返回第一层细节系数的中值。

2.2.2)利用得到的阈值对每一层的细节系数进行处理：当细节系数cdj的绝对值小于该层阈值λj时将其置0，当细节系数cdj的绝对值大于或等于该层阈值λ时则将其代入公式得到第j层第k个新的细节系数sign()为符号函数；以此重复步骤2.2.1)～2.2.2)则可得到每一层的新的细节系数

2.2.3)将步骤2.2.2)得到的新的细节系数与最后一层的近似系数ca3组成新的小波分解结构，利用小波重构函数waverec进行小波重构，重构后得到模平方阈值降噪后的信号ym。

3)将模平方阈值降噪后的信号ym与原始振动信号y1组成输入矩阵y＝[y1；ym]，进行基于负熵的fastica降噪。基于负熵的fastica降噪的具体步骤如下：

3.1)对输入矩阵y进行中心化，使其均值为0；

3.2)对中心化后的数据进行白化处理得到，得到白化后的数据z；

3.3)选择需要估计的独立成分的个数m，设迭代次数p←1；

3.4)随机选取一个具有单位范数的初始权矢量wp；

3.5)迭代计算，即更新wp：其中t为矩阵转置，e[·]为均值运算，g[·]为非线性函数,可取g(y)＝tanh(a1y),其中y为随机变量，a1为常数，由于a1取在1≤a1≤2范围内比较合适，故本实施例中取a1＝1；

3.6)进行正交：

3.7)标准化wp：wp←wp/||wp||；

3.8)假如wp尚未收敛，则返回步骤3.5)；

3.9)使p←p+1,若p≤m,则返回步骤3.4)，若p＞m,则结束。

3.10)令w(:,n)＝wp,则z＝w′*z,z为模平方阈值降噪后的信号ym与原始振动信号y1组成的输入矩阵y经过fastica处理后的结果。w′为w的转置。

3.11)经过3次迭代后终止，得到两个独立分量ic1和ic2，即为分析所得的频率成分。

4)判断两个独立分量ic1和ic2的时域波形，选择包含较多故障信息的独立分量进行hilbert包络和fft(快速傅里叶变换)，得到经模平方阈值—fastica降噪后信号的时域波形图和频谱图。

5)令模平方阈值—fastica降噪后信号为yf,求原始信号y1与yf的峭度值，根据峭度值判断滚动轴承原始振动信号y1是否存在故障以及模平方阈值—fastica的降噪效果，由降噪后信号的频谱图提取滚动轴承原始振动信号y1的特征频率成分，根据特征频率成分判断滚动轴承是否存在故障以及故障类型。

其中，峭度值计算公式为：

其中，xi为信号值，为信号均值，σ为标准差，n为采集到的滚动轴承振动信号的长度。轴承正常运转时，振动信号的峭度值约为3，当轴承故障开始出现时，峭度值增大，峭度值越大说明含有的故障信息越多，故障越严重，故障诊断的效率越高。

上述各实施例仅用于说明本发明，各部件的结构、尺寸、设置位置及形状都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别部件进行的改进和等同变换，均不应排除在本发明的保护范围之外。