一种基于自适应形态滤波的轴承故障识别方法与流程

本发明涉及一种基于自适应形态滤波的轴承故障识别方法，属于产品故障诊断。

背景技术：

1、轴承作为旋转机械的关键部件之一，在航空、电力、机械、能源等众多领域有着广泛的应用。由于轴承的工作环境比较复杂，且常处于非平稳的运行状态，这不可避免的造成轴承成为了设备的易损部件。由于轴承的运行状态直接影响着整个系统的健康状况，因此，对轴承故障进行识别与研究具有重要意义。

2、在进行轴承故障识别时，由于大量噪声信号的影响，导致故障识别的结果不理想。因此，如何在有效保证信号中故障特征尽可能少的丢失的同时，尽可能多的减少噪声分量，是轴承故障诊断领域的一个重要研究方向。小波变换凭借其良好的时频局部特性，被广泛应用到轴承的信号处理中。形态滤波通过结构元素(se)的连续移动实现信号与噪声的分离，从而可以达到去除噪声的目的。

3、此外，如何依据预处理后的信号实现故障特征分析，也是学者研究的问题之一。利用某些性能良好的指标对现有的算法进行优化处理，是得到较好的故障识别效果的有效手段。常作为优化指标的有峭度。但峭度对噪声分量非常敏感，并不总是工作良好。

技术实现思路

1、本发明的目的是为了解决采用传统方法对轴承故障进行识别时，存在故障特征信息在传递过程中易受干扰，检测结果不准确等问题，而提供一种基于自适应形态滤波的轴承故障识别方法。

2、本发明的目的是通过以下技术方案实现的：

3、本发明的一种基于自适应形态滤波的轴承故障识别方法，具体包括以下步骤：

4、步骤1：采集待测轴承的各特征频率，包括内圈故障特征频率fi、外圈故障特征频率fo、滚动体故障特征频率fb、保持架特征频率fc、轴承的旋转频率fr，轴承各特征频率的计算公式如(1)式-(5)式所示：

5、fi＝1/2*n1*(1+d/d)*fr (1)

6、fo＝1/2*n1*(1-d/d)*fr (2)

7、fb＝d/(2*d)*n1*(1-(d/d)2*fr (3)

8、fc＝1/2 (1-d/d)*fr (4)

9、fr＝fn/60 (5)

10、(5)式中，n1表示轴承的滚动体个数，d表示轴承节径，d表示轴承直径，fn表示轴承的旋转速度；

11、步骤2：利用安装在轴承座水平或垂直方向的加速度传感器以任意时间间隔来采集轴承振动信号，可获取轴承某段时间内的幅值数据，以原始离散振动信号f表示，f＝(f1，f2，...，fn)，其中，n＝1,2,3…,n，n为原始离散振动信号长度；根据小波阈值降噪算法对原始振动信号f进行降噪处理，得到降噪后的信号x(n)。

12、步骤3：依据步骤2得到的信号x(n)以及定义的形态学运算中的结构元素y(m)，m<n；设定结构元素y(m)的形状为扁平形，对信号x(n)进行形态学的四种基本运算；四种基本运算为：腐蚀运算(xθy)、膨胀运算：闭运算：(x·y)、开运算：

13、步骤4：将步骤3对信号x(n)四种运算的特征按照(6)式-(9)式构建滤波算子；

14、

15、

16、

17、

18、再将滤波算子fcde和fedo及fdec和foed均作平均运算，得到的新的算子如(10)式-(11)式所示：

19、fcde-oed(x(n))＝(fcde(x(n))-foed(x(n)))/2 (10)

20、fdec-edo(x(n))＝(fdec(x(n))-fedo(x(n)))/2 (11)

21、步骤5：将步骤4得到的fcde-oed和fdec-edo两个滤波算子做乘积运算；得到如(12)式所示的增强差分积形态滤波器(edpo)：

22、edpo＝fcde-oed(x(n))·fdec-edo(x(n)) (1)

23、步骤6：利用edpo对降噪后的信号x(n)进行二次滤波，依据滤波后信号的频谱，对待测轴承进行故障识别；具体为：

24、1)若频谱中出现频率分量f满足f/fo＝n，n为正整数；或f/n的结果值与fo相比误差在2hz之内，则说明待测轴承外圈发生了故障；

25、2)若频谱中出现频率分量f满足f/fi＝n，n为正整数；或f/n的结果值与fi相比误差在2hz之内，则说明待测轴承内圈发生了故障；

26、3)若频谱中出现频率分量f满足(f±nfr)/n1或(f±nfc)/n1的结果与fi相比误差在2hz之内，其中n取1或2，n1为整数，则说明待测轴承内圈发生了故障；

27、4)若频谱中出现频率分量f满足f/fb＝n，n为正整数；或f/n的结果值与fb相比误差在2hz之内，则说明待测轴承滚动体发生了故障。

28、5)若频谱中出现频率分量f满足(f±nfr)/n1或(f±nfc)/n1的结果与fb相比误差在2hz之内，其中n取1或2，n1为整数，则说明待测轴承滚动体发生了故障。

29、所述步骤6对降噪后的信号x(n)进行二次滤波前，通过多次重复步骤3-步骤5，并选取不同结构元素长度，得到多个edpo后，计算各个edpo算子的mobility参数，选取最大mobility参数对应的edpo为最优edpo，通过最优edpo对降噪后的信号x(n)进行二次滤波。

30、本发明的有益效果：

31、本发明的识别方法，考虑到形态滤波中滤波长度对信号的降噪效果有较大的影响，以及mobility参数越大，信号的冲击特征越明显，越易于提取出轴承故障特征的特点，提出了一种基于自适应形态滤波的轴承故障识别方法。通过mobility参数构建最优的增强差分积形态滤波器，实现自适应构建最优滤波器。本发明可以大大降低噪声分量对轴承故障识别的影响，能够精确提取与轴承故障类型相匹配的特征频率，对轴承故障做出准确判断。

技术特征：

1.一种基于自适应形态滤波的轴承故障识别方法，其特征是具体包括以下步骤：

2.如权利要求1所述的一种基于自适应形态滤波的轴承故障识别方法，其特征是：所述步骤6对降噪后的信号x(n)进行二次滤波前，通过多次重复步骤3-步骤5，并选取不同结构元素长度，得到多个edpo后，计算各个edpo算子的mobility参数，选取最大mobility参数对应的edpo为最优edpo，通过最优edpo对降噪后的信号x(n)进行二次滤波。

技术总结
本发明公开了一种基于自适应形态滤波的轴承故障识别方法，该方法利用小波阈值降噪对原始振动信号进行去噪，将降噪后的信号作为待分析信号；其次，构造结构元素在不同长度时的增强差分积形态滤波算子EDPO，计算构造的不同的EDPO算子的Mobility参数的值；最后，选取最大Mobility参数对应的结构元素的长度作为滤波器的最佳滤波长度，构造最优滤波器(AEDPO‑Mobility)；利用构造的AEDPO‑Mobility滤波器对小波降噪后的信号进行二次滤波，基于滤波信号的频谱对待测轴承进行故障识别。

技术研发人员：郭桂宏,黄植,潘成忠,贾琳,佟广博,崔学谨
受保护的技术使用者：辽宁庆阳特种化工有限公司
技术研发日：
技术公布日：2024/4/29