基于形态学滤波的轴承故障诊断方法和轴承故障诊断设备与流程

本发明涉及一种基于形态学滤波的轴承故障诊断方法、一种计算机存储介质、一种基于形态学滤波的轴承故障诊断设备以及一种基于形态学滤波的轴承故障诊断系统。

背景技术：

1、滚动轴承是旋转机械中的重要部件，例如应用在冲压生产线的驱动电机中、总装生产线吊具的驱动电机中、风力发电机或鼓风机中。在工业现场环境中，驱动电机通常工作在恶劣的环境下并且不间断地运转，所以驱动电机的滚动轴承非常容易损坏。一旦滚动轴承发生损坏，将带来巨大的经济损失并且可能造成严重的人身伤害。因此，对滚动轴承的运行状态进行实时监测与故障诊断具有重要意义。

2、滚动轴承通常在非平稳的工况下运行，其承受的载荷多变并且受到摩擦、间隙、刚度等非线性因素的影响，因此所采集的轴承振动信号具有非线性、非平稳且低信噪比的特性。此外，滚动轴承在故障初期所产生的信号较微弱，其故障特征信息通常会被淹没在背景噪声中不易被识别，这无疑加大了滚动轴承的故障诊断的难度。因此，亟需一种即使存在强背景噪声和随机噪声干扰的情况下也能提取出滚动轴承的微弱的故障特征信息的轴承故障诊断方法、设备和系统。

技术实现思路

1、本发明的目的在于，提出一种基于形态学滤波的轴承故障诊断方法、一种计算机存储介质、一种基于形态学滤波的轴承故障诊断设备以及一种基于形态学滤波的轴承故障诊断系统，其能实现即使在存在强背景噪声和随机噪声干扰的情况下也能提取出滚动轴承的微弱的故障特征信息。

2、本发明的第一方面涉及一种基于形态学滤波的轴承故障诊断方法，所述方法包括如下步骤：

3、通过安装在滚动轴承上的加速度传感器采集轴承振动信号；

4、对于预先确定的结构元素尺度范围内的每个结构元素尺度，使用emtho算子对所述轴承振动信号进行形态学处理，以求取各个结构元素尺度下的形态学滤波结果，所述emtho算子定义为

5、

6、其中，f(n)为定义在f＝(0,1,…,n-1)范围内的轴承振动信号，g(m)为定义在g＝(0,1,...,m-1)范围内的结构元素，且n≥m，代表形态学膨胀运算，θ代表形态学腐蚀运算，·代表形态学闭运算，代表形态学开运算；

7、分别计算所述各个结构元素尺度下的形态学滤波结果的指标因子，并且根据所计算的指标因子来确定最优结构元素尺度；

8、计算所述最优结构元素尺度下的形态学滤波结果的三阶累计量和三阶累积量对角切片谱；

9、通过对所述三阶累积量对角切片谱进行频谱分析来诊断轴承故障。

10、不同于传统的时域与频域分析方法，形态学是在随机集和积分几何基础上发展起来的非线性分析方法，其能够根据处理对象的形状特征用特定的结构元素进行形态变换来达到信号处理的目的。在本发明的范畴内，根据形态学信号处理的构思在使用结构元素的情况下对轴承振动信号进行形态运算，从而提取出有用的轴承故障信息。

11、为了降低强背景噪声和随机噪声的干扰，本发明提出一种改进的emtho算子，其又可以称为增强互顶帽算子。所述emtho算子定义为

12、

13、其中，轴承振动信号f(n)为定义在f＝(0,1,…,n-1)范围内的离散函数，结构元素g(m)为定义在g＝(0,1,...,m-1)范围内的离散函数，且n≥m。

14、在此涉及四种基本形态运算：代表形态学膨胀运算，θ代表形态学腐蚀运算，·代表形态学闭运算，代表形态学开运算，这些运算分别定义为：

15、

16、(fθg)(n)＝min[f(n+m)-g(m)]

17、

18、

19、上述四种基本形态学运算各自具有不同的滤波特点：膨胀运算可以削弱信号的谷值并且能够扩大信号的波峰；腐蚀运算可以削弱信号的峰值并且能扩大信号的波谷；闭运算可以抑制信号的负脉冲；开运算可以抑制信号的正脉冲。根据这四种基本的形态运算的滤波特点，可以将不同的形态运算进行级联组合，实现对于轴承振动信号中的脉冲的有效提取。

20、在按照本发明构造的emtho算子中，在第一项中，首先将闭运算和膨胀运算进行级联组合，使正脉冲的保留和负脉冲的抑制能力得以增强，然后再通过与腐蚀运算的级联组合，使振动信号中保留的负脉冲得到修正；而在第二项中，首先将开运算和腐蚀运算两者间进行级联组合，使负脉冲的保留和正脉冲的抑制能力得以增强，再通过与膨胀运算的级联组合，使振动信号中保留的正脉冲得到修正。由此，按照本发明的emtho算子能够实现在确保轴承振动信号的形状不被破坏的同时从轴承振动信号提取到正负脉冲的峰值特征信息。而且，emtho算子还可以视为对上述第一项和第二项进行不同的顶帽变换的组合：

21、

22、由此，所述emtho算子也可兼顾有顶帽变换的运算性能。由此，emtho算子同样增强一维信号的细节信息，加强对轴承微弱故障特征的识别。综上，利用所述emtho算子能够提高从轴承振动信号中提取正负脉冲能力，并且有效增强故障特征的提取精度。

23、对于结构元素的尺度范围内的每个结构元素尺度使用emtho算子对所述轴承振动信号进行形态学处理，以求取各个结构元素尺度下的形态学滤波结果。在此，结构元素可以理解为形态学进行数据处理的“窗口”。在采用小尺度结构元素进行形态学分析的情况下，虽然能够很好地保留原信号的细节特征，但其噪声抑制能力欠佳，而若采用大尺度结构元素，虽能良好地抑制原信号的随机噪声，但其信号细节保持能力又欠佳。由此，结构元素的尺度的合理选择便成为形态学滤波性能的关键，理想地其结构应尽可能接近待分析信号的形状特点。

24、为了选择出最优结构元素尺度，按照本发明规定，在不同尺度的结构元素下分别使用emtho算子进行形态学处理来求取各个结构元素尺度下的形态学滤波结果；然后计算所述各个结构元素尺度下的形态学滤波结果在每个结构元素尺度下的指标因子，根据所述指标因子确定最优结构元素尺度。由此，依据指标因子这一客观判据来有效地筛选出对于轴承振动信号而言能够最优地提取出其特征信息的结构元素尺度，从而避免以往根据人为经验来选择结构元素尺度导致特征提取精度不高的缺陷。

25、接着，计算所述最优结构元素尺度下的形态学滤波结果的三阶累计量和三阶累积量对角切片谱。由于在工业现场环境中、例如在冲压生产线中驱动电机持续地工作在强背景噪声的环境中，这可能导致难以提取故障特征信息。为了尽可能消除背景噪声及随机噪声的干扰，根据高斯白噪声的高阶累计量为零的性质，有利地将三阶累积量对角切片谱引入到按照本发明的基于形态学滤波的轴承故障诊断方法中。

26、在此，对于离散时域信号序列y(t),t＝0,1,2,···，其所述三阶累计量定义为：

27、c3y(τ1,τ2)＝e{y(t)y(t+τ1)y(t+τ2)}，

28、其中，e{·}表示数学期望，τ表示时移量。

29、为了简化运算，使用τ＝τ1＝τ2，将所述三阶累计量c3y(τ1,τ2)投影到一维频率空间，得到所述离散时域信号序列y(t)的三阶累计量对角切片

30、c3y(τ)＝e{y(t)y(t+τ)y(t+τ)}，

31、该三阶累计量对角切片谱实际上可以表示为c3y(τ)的一维离散傅里叶变换：

32、

33、所述三阶累积量对角切片谱能够有效地去除轴承振动信号中的高斯噪声以及随机噪声，减少这些噪声对故障特征分析的干扰。此外，所述三阶累积量对角切片谱具有二次频率耦合的特性，其能够有效地抑制轴承振动信号中的独立频率分量，使故障特征更加显著。因此，通过计算所述三阶累计量及其对角切片谱能够进一步增强在最优结构元素尺度下的故障特征的信息，提高轴承故障信息的提取性能。

34、最后，通过对所述三阶累积量对角切片谱进行频谱分析来诊断轴承故障。在此，借助于三阶累积量对角切片谱中具有显著幅值的各谱线可以提取出故障特征信息，从而有效检测轴承的故障。

35、按照本发明的基于形态学滤波的轴承故障诊断方法首先通过在本发明中所构造的emtho算子能够提高从轴承振动信号中提取正负脉冲能力，并且有效增强故障特征的提取精度。其次，通过计算在每个结构元素尺度下由该emtho算子进行形态学处理的滤波结果的指标因子来确定最优结构元素尺度，从而有效地筛选出对于轴承振动信号而言能够最优地提取出其特征信息的结构元素尺度。再次，计算所述最优结构元素尺度下的形态学滤波结果的三阶累计量和三阶累积量对角切片谱，使得利用三阶累积量对角切片谱的消噪性能进一步提升emtho算子对故障信息的特征提取能力，有效地去除轴承振动信号中的高斯噪声和随机噪声，并且提高轴承故障信息的提取性能。因此，按照本发明的轴承故障诊断方法即使在强背景噪声下也具有良好的故障信息提取能力和消噪能力。按照本发明，能够在工业现场环境、例如冲压生产线中有效地提取出滚动轴承的微弱的故障信号，及早地诊断出轴承故障，避免滚动轴承发生损坏时所带来巨大的经济损失和可能的人身伤害。

36、按照本发明的一种实施方式，所述指标因子为特征频率强度系数，所述特征频率强度系数定义为

37、

38、其中，表示所述各个结构元素尺度下的形态学滤波结果在故障频率及其各倍频处的幅值，表示所述各个结构元素尺度下的形态学滤波结果在各采样频率处的幅值，k表示故障频率及其各倍频的数量，n表示采样点数，并且将与所述特征频率强度系数的最大值相对应的尺度确定为最优结构元素尺度。

39、所述特征频率强度系数、即cfic值定义频谱中在故障频率及其各倍频的幅值总和与在各采样频率处的频率幅值总和的比值。在此，计算所述各个结构元素尺度下的形态学滤波结果在每个结构元素尺度下的cfic值。利用所述cfic值量化和评价形态学算子特征提取的能力。cfic值越大，则在该结构元素尺度下包含的故障特征信息越多，故障特征信息越明显。按照cfic值的大小进行排序，将与cfic值的最大值相对应的尺度确定为最优结构元素尺度。

40、按照本发明的一种实施方式，所述结构元素选择为高度为0的扁平型结构元素。扁平型结构元素相当于矩形窗，形状简单且运算速度快。因此，利用所述扁平型结构元素能够在确保计算精度的情况下减少运算量和时间耗费。

41、按照本发明的一种实施方式，所述扁平型结构元素的尺度范围根据采样频率与故障频率来确定。所述扁平型结构元素的最大长度lmax为[fs/fg]，其中，fs表示轴承振动信号的采样频率，fg表示轴承故障频率，[·]表示向下取整运算。当滚动轴承出现局部故障时，产生周期性的冲击脉冲序列，相邻两个脉冲之间的时间间隔等于故障频率的倒数1/fg。因此，当最大长度lmax取为[fs/fg]时，能够完全覆盖一个故障脉冲的重复周期。此外，扁平型结构元素的尺度与长度之间满足λ＝l-2。因此，所述扁平型结构元素的尺度范围能根据采样频率与故障频率确定为1至λmax＝[fs/fg]-2。

42、按照本发明的一种实施方式，所述故障频率包括内圈故障频率、外圈故障频率、滚动体故障频率和/或保持架故障频率。内圈故障频率为外圈故障频率为滚动体故障频率为保持架故障频率为其中，z是滚动体个数，fr是转频，d是滚动体直径，d是轴承节径，α是接触角。对于不同的轴承故障类型，通过理论公式计算出相应的轴承频率，并且据此提取出与相应的轴承故障类型相关的故障特征信息。

43、按照本发明的一种实施方式，将所述加速度传感器安装在驱动电机的驱动端和非驱动端的滚动轴承上、齿轮箱的滚动轴承上、传动机构的滚动轴承上和/或负载电机的滚动轴承上。例如可以将加速传感器分别沿滚动轴承的径向和轴向方向分别安装在驱动电机的驱动端和非驱动端上，因此能更全面地采集轴承振动信号和更全面地对轴承故障进行诊断。

44、按照本发明的一种实施方式，根据所述三阶累积量对角切片谱在故障频率和/或在故障频率的倍频上存在峰值来判断轴承存在故障。如果在所述三阶累积量对角切片谱中在故障频率和/或在故障频率的倍频上存在峰值，则判断轴承存在故障。所述故障频率可以根据轴承型号、轴承的几何参数、接触角以及旋转频率根据如上所述的公式计算得出。当轴承出现故障时，由于故障位置与接触元件的撞击会引起轴承振动，在轴承振动信号中将表现为周期性的脉冲。通过按照本发明的轴承故障诊断方法，可以有效地提出这样的表征故障信息的脉冲及其频率。此外，由于不同轴承故障类型、如外圈、内圈和滚动体故障可能表现固定的故障特征模式，如在故障频率与其倍频的二次频率耦合关系和/或边频带特征，还可以进一步诊断轴承故障类型。

45、按照本发明的第二方面涉及一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实施上述基于形态学滤波的轴承故障方法。

46、按照本发明的第三方面涉及一种基于形态学滤波的轴承故障诊断设备，所述设备包括：

47、采集模块，所述采集模块用于通过安装在滚动轴承上的加速度传感器采集轴承振动信号；

48、形态学处理模块，所述形态学处理模块用于对于预先确定的结构元素尺度范围，的每个结构元素尺度使用emtho算子对所述轴承振动信号进行形态学处理，以求取各个结构元素尺度下的形态学滤波结果，所述emtho算子定义为

49、

50、其中，f(n)为定义在f＝(0,1,…,n-1)范围内的轴承振动信号，g(m)为定义在g＝(0,1,...,m-1)范围内的结构元素，且n≥m，代表形态学膨胀运算，θ代表形态学腐蚀运算，·代表形态学闭运算，代表形态学开运算；

51、指标因子计算模块，所述指标因子计算模块用于分别计算所述各个结构元素尺度下的形态学滤波结果的指标因子，并且根据所述指标因子确定最优结构元素尺度；

52、三阶累积量对角切片谱计算模块，所述三阶累积量对角切片谱计算模块用于计算所述最优结构元素尺度下的形态学滤波结果的三阶累计量和三阶累积量对角切片谱；

53、分析模块，所述分析模块用于通过对所述三阶累积量对角切片谱进行频谱分析来诊断轴承故障。

54、按照本发明的优选实施方式，所述指标因子计算模块将与上述特征频率强度系数、上述特征能量因子或上述特征能量信息熵的最大值相对应的尺度确定为最优结构元素尺度。

55、按照本发明的第四方面涉及一种基于形态学滤波的轴承故障诊断系统，所述轴承故障诊断系统包括安装在滚动轴承上的加速度传感器以及按照本发明的轴承故障诊断设备。

56、按照本发明的一种实施方式，所述加速度传感器安装在驱动电机的驱动端和非驱动端的滚动轴承上、齿轮箱的滚动轴承上、传动机构的滚动轴承上和/或负载电机的滚动轴承上。

57、需要说明的是，按照本发明一个方面的特征、功能、效果和优势等同样可以参照本发明的其他方面的上述描述。此外，在本文献中所描述的各个方面可以多样化地彼此组合。在本技术文件中公开的特征不仅可以单独地而且可以以任意组合的方式对于实施例在不同的设计方案方面的实现来说是重要的并且可以被实现。