一种基于小波包的轴承振动信号处理方法与流程

本发明属于轴承振动信号处理，具体涉及一种基于小波包的轴承振动信号处理方法。

背景技术：

1、在互联网和人工智能这些新型技术的推动下，机械设备也有着越来越高的要求，不仅要适应复杂的工作环境，还要在制造中更加精密、更加智能。轴承作为其中重要的一种器件，在实际应用中，容易受到破坏。引起轴承故障的原因有很多，而造成轴承故障的内部因素一般包括由于轴承生产制作时材料质量不合格、生产过程中精度达不到以及轴承组装位置不合理等情况。造成轴承故障的外部因素一般包括人力破环、机械外力作用等情况。经研究表明，由轴承引发的故障约占30％。当轴承发生损坏时，会引起设备一系列反应，轻者引起机械设备损坏、造成财产损失，重者对生命安全造成伤害。

2、在早期机械故障时，对于机械是否故障，人们只能通过人力来进行判断，故障的类型也只有通过人来判断，这不仅影响生产还存在安全隐患。随着科技的进步，一些智能识别算法应运而生，通过技术手段识别来代替人力识别，大大提高了故障诊断维修的效率。目前常采用的智能识别算法包括神经网络、聚类分析、支持向量机等。

3、经调查显示，在全国范围内出现很多由轴承损坏引发的事故。当航空航天、新能源、海洋工程、医疗器械等领域一旦出现由轴承引发的故障，造成的后果将无法估量。当轴承出现故障时，如果没有检测出故障并且故障类型不能判断，将导致出现的故障不能及时解决，这时就会对机械设备以及生命财产造成更加严重的影响。因此，对有关轴承故障的研究，具有重大意义。本发明旨在提出一种轴承振动信号处理的方法，来提高故障诊断的能力。

技术实现思路

1、本发明的目的就在于为了解决上述问题而提供一种结构简单，设计合理的基于小波包的轴承振动信号处理方法。

2、本发明通过以下技术方案来实现上述目的：

3、本发明第一方面提供了一种基于小波包的轴承振动信号处理方法，该方法包括以下步骤，

4、获得多种轴承状态的振动信号；基于多种轴承状态的振动信号选择恰当的小波基，并确定小波包分解层数；

5、对多种轴承状态的振动信号进行分解滤波，并基于非线性均衡的方法提取故障特征值，获得轴承不同故障类型之间的区分度；

6、基于轴承不同故障类型之间的区分度，确定轴承的不同故障类型。

7、作为本发明的进一步优化方案，所述小波包为daubechies小波；且所述小波包为db3小波；所述小波包的分解层数为2层。

8、作为本发明的进一步优化方案，所述故障特征值为方差值。

9、作为本发明的进一步优化方案，所述非线性均衡方法包括非线性均衡函数，基于非线性均衡函数对所述故障特征值处理，所述非线性均衡函数为：

10、y＝-k*loge(s2)；

11、其中，s2为方差值，k为调控因子，e为对数的底数，函数结果用y表示。

12、作为本发明的进一步优化方案，所述调控因子k＝2。

13、作为本发明的进一步优化方案，非线性均衡函数处理之后信号之间的区分度l的计算公式为：

14、

15、作为本发明的进一步优化方案，对轴承状态的振动信号进行识别，从而获得轴承状态的振动信号，选择峰度作为特征值，峰度属于无量纲参数，其公式为：

16、其中，x为故障信号，u为信号均值，e为信号标准差，σ为信号期望。

17、作为本发明的进一步优化方案，在对轴承状态的振动信号进行识别中，通过改进粒子群算法获得粒子最优位置，基于粒子最优位置映射于bp神经网络模型的权重和阈值，基于神经网络模型，识别轴承信号的故障类型。

18、作为本发明的进一步优化方案，所述粒子飞行速度：

19、

20、粒子当前位置：

21、其中，i表示粒子；d表示空间维度；t表示当前进化代数；c1、c2表示为非负的加速度常数，r1、r2表示为服从[0,1]上均匀分布的随机数；w表示为惯性权重；v表示为粒子的飞行速度且区间范围为[-vmax,vmax]；x表示为粒子当前位置；p表示为个体最优位置；g表示全局最优位置。

22、作为本发明的进一步优化方案，其中，神经网络惯性权重随着迭代次数的改变呈非线性递减：

23、

24、其中ωmax为最大惯性权重，ωmin为最小惯性权重，t为迭代次数，tmax为最大迭代次数。

25、作为本发明的进一步优化方案，前一次迭代的个体和全局最优位置对当前迭代的个体和全局最优位置的影响，其粒子更新公式如下所示：

26、

27、其中，pi(t-1)表示前一次迭代个体最优位置，g(t-1)表示前一次迭代全局最优位置，pi(t)表示当前迭代个体最优位置，g(t)表示当前迭代全局最优位置，c3、c4表示加速度常数，r3、r4表示服从[0,1]上均匀分布的随机数；此计算过程在原始粒子群算法的基础上加入了个体最优解和全局最优解之间的搜索。

28、作为本发明的进一步优化方案，前一次迭代的个体和全局最优位置对当前粒子位置的影响，其粒子更新公式如下所示：

29、

30、此计算过程加入了当前粒子之间和个体最优解以及全局最优解之间的搜索。

31、本发明第二方面提供了一种轴承振动信号识别方法，在对轴承状态的振动信号进行识别中，通过改进粒子群算法获得粒子最优位置，基于粒子最优位置映射于bp神经网络模型的权重和阈值，基于神经网络模型，识别轴承信号的故障类型。

32、本发明的有益效果在于：本发明中的轴承信号经时频分析后在不同频段上呈现出故障信息，提出非线性均衡的方法，可以进一步提取故障特征；并且在信号识别上采用智能优化算法去优化识别算法，为了进一步提高轴承故障识别率，对粒子群算法进行改进，并通过实验来具体分析，从而进一步验证了以上提出的方法是有效的；通过本申请的方法可以进一步提高对轴承信号的故障诊断能力。

技术特征：

1.一种基于小波包的轴承振动信号处理方法，其特征在于：该方法包括以下步骤，

2.根据权利要求1所述的一种基于小波包的轴承振动信号处理方法，其特征在于：非线性均衡函数处理之后信号之间的区分度l的计算公式为：

3.根据权利要求1-2任一所述的一种基于小波包的轴承振动信号处理方法，其特征在于：对轴承状态的振动信号进行识别，从而获得轴承状态的振动信号，选择峰度作为特征值，峰度属于无量纲参数，其公式为：

4.根据权利要求3所述的一种基于小波包的轴承振动信号处理方法，其特征在于：在对轴承状态的振动信号进行识别中，通过改进粒子群算法获得粒子最优位置，基于粒子最优位置映射于bp神经网络模型的权重和阈值，基于神经网络模型，识别轴承信号的故障类型。

5.根据权利要求4所述的一种基于小波包的轴承振动信号处理方法，其特征在于：

6.根据权利要求5所述的一种基于小波包的轴承振动信号处理方法，其特征在于：其中，神经网络惯性权重随着迭代次数的改变呈非线性递减：

7.根据权利要求6所述的一种基于小波包的轴承振动信号处理方法，其特征在于：前一次迭代的个体和全局最优位置对当前迭代的个体和全局最优位置的影响，其粒子更新公式如下所示：

8.根据权利要求7所述的一种基于小波包的轴承振动信号处理方法，其特征在于：前一次迭代的个体和全局最优位置对当前粒子位置的影响，其粒子更新公式如下所示：

9.一种轴承振动信号识别方法，其特征在于：在对轴承状态的振动信号进行识别中，通过改进粒子群算法获得粒子最优位置，基于粒子最优位置映射于bp神经网络模型的权重和阈值，基于神经网络模型，识别轴承信号的故障类型。

技术总结
本发明涉及一种基于小波包的轴承振动信号处理方法。该基于小波包的轴承振动信号处理方法，该方法包括以下步骤，获得多种轴承状态的振动信号；基于多种轴承状态的振动信号选择恰当的小波基，并确定小波包分解层数；对多种轴承状态的振动信号进行分解滤波，并基于非线性均衡的方法提取故障特征值，获得轴承不同故障类型之间的区分度；基于轴承不同故障类型之间的区分度，确定轴承的不同故障类型；该基于小波包的轴承振动信号处理方法，可以进一步提高对轴承信号的故障诊断能力。

技术研发人员：阮爱国,沈忠明,刘发炳,赵海,何杨张,张博文
受保护的技术使用者：云南中广核能源服务有限公司
技术研发日：
技术公布日：2024/1/14