基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法技术

本发明专利技术公开一种基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法，首先采集振动信号，再初始化共振稀疏分解参数，然后利用逐次优化算法，以RSK指数为目标函数，获得最佳品质因子，最后将信号最佳品质因子下进行共振稀疏分解得到的低共振分量进行包络分析，得到包络谱，从而有效提取故障特征；本发明专利技术避免了传统共振稀疏分解方法中品质因子由手动选择随意性大、带来的不确定性、难以获得理想分解效果的问题，可以自适应地选择最佳品质因子，能有效提取出在间歇性强干扰的噪音下汽车轮毂轴承的故障特征。

【技术实现步骤摘要】
基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法
本专利技术属于汽车轮毂轴承故障诊断领域，更具体地说涉及一种基于共振稀疏分解的最佳品质因子选取的汽车轮毂轴承故障特征提取方法。
技术介绍
汽车轮毂轴承是汽车传动和承载的重要部件之一，既承受轴向载荷又承受径向载荷，其性能会直接影响汽车行驶的安全性和乘客乘坐的舒适性。由于汽车的行驶工况复杂多变，轮毂轴承常常处于高负荷、频繁变速变载的工作环境中，极易诱发局部磨损等机械故障，进而引发轮毂损坏，严重时可能导致汽车在行驶路途中发生方向失控。轮毂轴承故障产生的主要原因是内圈、外圈和滚动体出现损伤，从而在运行过程中产生异常的振动响应。当轮毂轴承旋转经过损伤位置时，振动信号中会产生周期性的瞬态冲击作用力，此冲击对应的频率即为故障特征频率。因此，实现汽车轮毂轴承的故障诊断，对于乘员的生命财产安全及道路交通安全具有重要意义。目前，常用的轴承故障特征提取方法主要有傅里叶变换、小波变换、统计滤波等。然而，汽车轮毂轴承运行工况复杂多变，又常常处间歇性强干扰噪声情况下，通过傅里叶变换等传统方法很难完全提取出故障特征。为了更好地实现轴承故障诊断，2011年纽约大学的Selesnick,IW在会议ConferenceonWaveletsandSparsityXIV发表的名为“SparsesignalrepresentationsusingthetunableQ-factorwavelettransform”的论文中提出了共振稀疏分解和可调品质因子小波变换方法。但是其品质因子为人为经验设定，随意性太大，无法准确实现故障特征提取。在中国申请专利号为CN201210515071.6文献中提出了一种基于复合Q因子基算法的轴承故障诊断方法，分别用高Q和低Q因子基匹配轴承的正常振动成分和故障冲击成分。然而，其高Q和低Q因子基通过人为经验手动选取随意性太大，无法实现最佳分解。又如中国申请专利号为CN201610916137.0文献中提出一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法，利用遗传算法对共振稀疏分解的品质因子和比例系数同时进行优化，得到最佳参数矩阵，从而实现故障信号的共振稀疏分解。然而，其遗传算法的适应度函数无法准确评价信号冲击成分与正常成分，并且遗传算法遗传代数和种群数量的选择会造成计算过于繁琐。
技术实现思路
针对现有共振稀疏分解品质因子选择随意性大的问题，本专利技术提出一种基于共振稀疏分解的最佳品质因子选取的汽车轮毂轴承故障特征提取方法，通过逐次优化算法选取共振稀疏分解的最佳品质因子，进而有效分解具有瞬态冲击成分信号的低共振分量和具有谐波成分的高共振分量，并基于最佳品质因子实现汽车轮毂轴承故障特征提取。本专利技术是通过以下技术方案实现的：包括以下步骤：步骤一：采集汽车轮毂轴承振动信号x；步骤二：设置初始的共振稀疏分解参数，高品质因子Qh＝3，冗余度rh＝3，分解层数Jh＝30；低品质因子Ql＝1，冗余度rh＝3，分解层数Jl＝11；步骤三：对高品质因子、低品质因子逐次优化，获得最佳高共振分量xh*和最佳低共振分量xl*；步骤四：对最佳低共振分量xl*进行包络解调，获得包络谱xb；步骤五：提取包络谱xb中的特征频率fo及其倍频，得到汽车轮毂轴承故障特征。进一步地，步骤三中所述的逐次优化方法实现的步骤是：步骤A：保持高品质因子Qh＝3不变，低品质因子Qlp＝1+0.1(p-1)，p为低品质因子的自变量，p＝1；步骤B：用高品质因子Qh和低品质因子Qlp运行共振稀疏分解，获得高品质因子Qh变换的基函数Dh和低品质因子Qlp变换的基函数Dlp，构造优化目标函数whp、wlp分别表示基函数Dh和Dlp的变换系数；λh和λl为正则化参数；采用分裂增广拉格朗日收缩算法对目标函数进行迭代计算，获得高共振分量和低共振分量分别为：whp*、wlp*分别为L(whp,wlp)最小时所对应的高共振变换系数和低共振变换系数；步骤C：将高共振分量xhp和低共振分量xlp代入目标函数μ和σ分别为xlp的均值和标准差；步骤D：判断p是否大于20，若否，则p加1后返回步骤B；若是，则继续步骤E：步骤E：求出RSKp的最小值及对应的Qlp，则对应的Qlp为最佳低品质因子Ql*；步骤F：保持最佳低品质因子Ql*不变，高品质因子Qhq＝3+0.1(q-1)，q为高品质因子的自变量，q＝1；步骤G：用高品质因子Qhq和最佳低品质因子Ql*运行共振稀疏分解，获得了高共振分量xhq和低共振分量xlq；步骤H：将高共振分量xhq和低共振分量xlq代入目标函数μ和σ分别为xlq的均值和标准差；步骤I：判断q是否大于20，若否，则q加1后返回步骤G，若是，则继续步骤J；步骤J：求出RSKq的最小值及对应的Qhq，将对应的Qhq为最佳高品质因子Qh*；步骤K：用最佳高品质因子Qh*和最佳低品质因子Ql*运行共振稀疏分解，获得最佳高共振分量xh*和低共振分量xl*。本专利技术的有益效果是：1、本专利技术构建了RSK目标函数，以RSK指数为目标函数，通过逐次优化算法获得了最佳高、低品质因子，避免了传统共振稀疏分解方法中品质因子由手动选择随意性大、带来的不确定性、难以获得理想分解效果的问题，可以自适应地选择最佳品质因子，从而提取汽车轮毂轴承故障特征。2、本专利技术通过对最佳品质因子汽车轮毂轴承故障信号进行分解，能有效提取出在间歇性强干扰的噪音下汽车轮毂轴承的故障特征。附图说明图1是本专利技术基于最佳品质因子选取和汽车轮毂轴承故障特征提取方法采用的硬件结构图。图2是本专利技术的流程图；图3是图2中逐次优化算法的具体流程图；图4是实施例中汽车轮毂轴承外圈故障原始波形；图5是实施例中汽车轮毂轴承外圈故障高共振分量波形；图6是实施例中汽车轮毂轴承外圈故障低共振分量波形；图7是实施例中汽车轮毂轴承外圈故障低共振分量包络谱图。具体实施方式如图1所示，在汽车上安装信号采集模块、数据处理模块和结果显示模块。信号采集模块为加速度传感器，与数据处理模块连接。加速度传感器安装在汽车的轴承座上，用于采集垂直方向上的振动信号x，并输出给数据处理模块。数据处理模块的输入端连接信号采集模块的输出端，通过运行逐次优化算法获得最佳高、低品质因子Qh*和Ql*，然后输入最佳品质因子Qh*和Ql*进行共振稀疏分解获得最佳的高共振分量xh*和低共振分量xl*。再对最佳低共振分量xl*包络解调，获得包络谱xb。最后读取包络谱中的特征频率fo及其倍频，如果特征频率fo与轴承外圈故障通过频率即BPFO相等，或成倍数关系，fo即为提取出的故障特征频率，则输出信号给结果显示模块。结果显示模块的输入连接信号采集模块的输出，通过屏幕显示故障发生。如图1所示，本专利技术首先采集振动信号，再初始化共振稀疏分解参数，然后利用逐次优化算法，以RSK指数为目标函数，获得最佳品质因子。最后将信号最佳品质因子下进行共振稀疏分解得到的低共振分量进行包络分析，得到包络谱，从而有效提取故障特征。具体步骤如下：步骤一：信号采集模块通过加速度传感器采集汽车轮毂轴承振动信号x，采样频率fs为100kHz,采样时间t为0.5s，采样点数N为50000。步骤二：设置初始的共振稀疏分解参数，高品质因子Qh＝3，冗余度rh＝3，分解层数Jh＝30本文档来自技高网...

【技术保护点】
1.一种基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法，其特征是包括以下步骤：步骤一：采集汽车轮毂轴承振动信号x；步骤二：设置初始的共振稀疏分解参数，高品质因子Qh＝3，冗余度rh＝3，分解层数Jh＝30；低品质因子Ql＝1，冗余度rh＝3，分解层数Jl＝11；步骤三：对高品质因子、低品质因子逐次优化，获得最佳高共振分量xh*和最佳低共振分量xl*；步骤四：对最佳低共振分量xl*进行包络解调，获得包络谱xb；步骤五：提取包络谱xb中的特征频率fo及其倍频，得到汽车轮毂轴承故障特征。

【技术特征摘要】
1.一种基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法，其特征是包括以下步骤：步骤一：采集汽车轮毂轴承振动信号x；步骤二：设置初始的共振稀疏分解参数，高品质因子Qh＝3，冗余度rh＝3，分解层数Jh＝30；低品质因子Ql＝1，冗余度rh＝3，分解层数Jl＝11；步骤三：对高品质因子、低品质因子逐次优化，获得最佳高共振分量xh*和最佳低共振分量xl*；步骤四：对最佳低共振分量xl*进行包络解调，获得包络谱xb；步骤五：提取包络谱xb中的特征频率fo及其倍频，得到汽车轮毂轴承故障特征。2.根据权利要求1所述的基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法，其特征是：步骤三中所述的逐次优化方法的实现步骤是：步骤A：保持高品质因子Qh＝3不变，低品质因子Qlp＝1+0.1(p-1)，p为低品质因子的自变量，p＝1；步骤B：用高品质因子Qh和低品质因子Qlp运行共振稀疏分解，获得高品质因子Qh变换的基函数Dh和低品质因子Qlp变换的基函数Dlp，构造优化目标函数whp、wlp分别表示基函数Dh和Dlp的变换系数；λh和λl为正则化参数；采用分裂增广拉格朗日收缩算法对目标函数进行迭代计算，获得高共振分量和低共振分量分别为：whp*、wlp*分别为L(whp,wlp)最小时所对应的高共振变换系数和低共振变换系数；步骤C：将高共振分量xhp和低共振分量xlp代入目标函数μ和σ分别为xlp的均值和标准差；步骤D：判断p是否大于20，若否，则p加1后返回步骤B；若是，则继续步骤E：步骤E：求出RSKp的最小值及对应的Qlp，则对应的Qlp为最佳低品质因子Ql*；步骤F：保持最佳低品质因子Ql*不变，高品质因子Qhq＝3+0.1(q-1)，q为高品质因子的自变量，q＝1；步骤G：用高品质因子Qhq和最佳低品质因子Ql*运行共振稀疏分解，...

【专利技术属性】
技术研发人员：李仲兴，周庄，薛红涛，江洪，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32