基于时频脊线的线性变速工况下的滚动轴承故障诊断方法技术

本发明专利技术涉及一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法。该方法包括：利用STFT方法获取带有时频脊线特征的时频图像；从获取的时频图像中提取时频脊线斜度特征伪角度与伪斜率；从获取的时频图像中提取Tamura纹理特征；将时频脊线斜度特征与Tamura纹理特征通过数值求和的特征融合方式组成特征向量；将特征向量输入ELM中，通过ELM判断轴承的运行状态，实现轴承故障诊断。本方案与现有技术相比，提出了描述线性变速工况下故障特征的稳定特征指标，该特征具有较好的状态感知稳定性与灵敏性，具有较高的鲁棒性。在此基础上，提出了时频脊线斜度特征与Tamura图像特征数值相加的特征融合方式，利用融合特征能够实现轴承故障的准确识别。现轴承故障的准确识别。现轴承故障的准确识别。

【技术实现步骤摘要】
基于时频脊线的线性变速工况下的滚动轴承故障诊断方法


[0001]本申请涉及旋转机械故障诊断
，具体涉及基于时频脊线的线性变速工况下的滚动轴承故障诊断方法。

技术介绍

[0002]滚动轴承广泛应用于旋转机械中，同时也是旋转机械最易损坏的元件之一。滚动轴承也是旋转机械最基本的机械元件。在实际工作环境中，轴承具备一定的承载作用且部分轴承工作条件恶劣，使得轴承往往具有较高的故障率。若滚动轴承在工作状态下出现异常，且无任何预警或阻断措施，轻则会影响机械系统的正常运转及工业生产的正常进行，重则会造成一定的人员伤亡，甚至会产生灾难性的后果。因此，对于滚动轴承的状态监测和故障诊断显得尤为重要，对滚动轴承故障高效、准确的诊断是保证机器安全运转的前提。
[0003]目前，在线性变速工况下，滚动轴承振动信号具有非平稳性、时变性的特点，使得轴承故障特征的提取变得更加困难。同时，传统时域或频域特征易受到转速的影响，鲁棒性较差，缺少描述变转速工况下故障特征的稳定指标。此外，目前对轴承故障的诊断不仅需要人工的参与，还需要大量专家经验才能准确判断轴承是否出现故障。

技术实现思路

[0004]本申请的主要目的在于提供一种线性变速工况下的轴承故障诊断方法，以解决现有技术中缺少描述线性变速工况下故障特征的稳定指标以及需要具有专家经验的人工参与故障诊断的问题。
[0005]为了实现上述目的，本申请通过以下技术方案实现：基于时频脊线斜度特征的线性变速工况下的滚动轴承故障诊断方法，具体步骤如下：
[0006]步骤1：获取线性变速工况下的滚动轴承振动信号，其中，所述振动信号采用振动加速度传感器采集；
[0007]步骤2：从所述振动信号中选取一个时间段作为待测信号，将所述待测信号利用时频分析方法转换为含有时频脊线特征的时频图像。
[0008]步骤3：从所述时频图像中提取时频脊线斜度特征，所述时频脊线斜度特征包括伪斜率特征与伪角度特征。
[0009]步骤4：从所述时频图像中提取时频图像特征，所述时频图像特征为Tamura特征。
[0010]步骤5：将时频脊线斜度特征与Tamura纹理特征转化为融合特征。
[0011]步骤6：利用所述时频脊线特征、Tamura特征以及融合特征作为特征指标进行故障状态分类识别，以实现滚动轴承的故障诊断。
[0012](1)所述步骤2中，时频分析方法为STFT方法，其中，所述时频脊线特征为所述时间段内的轴承故障频率特征，用于表征所述轴承的故障状态。
[0013](2)基于时频图像提取时频脊线斜度特征，时频脊线斜度特征的计算公式如下：
[0014]伪斜率：
[0015]伪角度：A
P
＝arctanK
P
；
[0016]其中，t表示初始时刻，T为时间间隔，y1为t时刻Y轴坐标，y2为t+T时刻对应Y坐标。
[0017](3)所述步骤3中，Tamura特征包括粗糙度、对比度、方向性三个特征，按下列公式计算出所述Tamura特征：
[0018]粗糙度：
[0019]上式用于计算图像中大小以2
P
×2P
为尺寸的矩形的窗口中每个像素点的亮度，其中，(a,b)代表矩形窗口中第(i，j)点的亮度均值，可通过P来确定像素的范围。
[0020]E
p,h
＝|A
p
(a+2
p
‑1,b)
‑
A
p
(a
‑2p
‑1,b)|；
[0021]E
p,v
＝|A
p
(a,b+2
p
‑1)
‑
A
p
(a,b
‑2p
‑1)|；
[0022]S
best
(a,b)＝2
p
；
[0023]E
p
＝E
max
＝max(E1,E2,...,E
h
)；
[0024]其中，E
p，h
代表该像素点水平方向差值，该像素点垂直方向差值为E
p，v
。在各个像素点上寻找能使E值达到最佳尺寸S
best
的p值，在该p值下，E值在任何方向都能达到最大值。
[0025][0026]其中，粗糙度F
crs
为整幅图像最佳尺寸的平均值，m和n为图像的宽度和高度。
[0027]对比度：
[0028]其中，σ代表图像灰度的标准方差，α4代表图像灰度值的峰态，通过α4＝μ4/σ4计算；μ4是四阶矩均值，σ2表示图像灰度值的方差。
[0029]方向性：
[0030]其中，n
p
代表超过设定阈值的像素的个数，通过计算所有像素的梯度向量数目，利用上述向量可以计算直方图H
D
，H
D
对角度的范围进行了离散化处理，直方图的峰值的位置由表示。
[0031](4)将时频脊线斜度特征与Tamura纹理特征以数值求和的方式转化为融合特征，所述时频脊线斜度特征指伪斜率和伪角度特征，所述Tamura纹理特征指粗糙度、对比度、方向性特征。所述数值求和方式指特征值的数值相加，所述融合特征为一维数组。
[0032](5)利用所述时频脊线特征、Tamura特征以及融合特征结合极限学习机(Extreme Learning Machine,ELM)方法进行故障状态分类识别，实现轴承故障诊断。
[0033]与现有技术相比，本专利技术的有益效果如下：
[0034]针对线性变速工况下滚动轴承的故障诊断问题，本专利技术提出了基于时频脊线的线性变速工况下的滚动轴承故障诊断方法。首先，利用STFT方法获取带有时频脊线特征的时频图像，从获取的时频图像中提取时频脊线斜度特征伪角度与伪斜率；然后，从获取的时频图像中提取Tamura纹理特征，将时频脊线斜度特征与Tamura纹理特征通过数值求和的特征融合方式组成特征向量；之后，将特征向量输入ELM中，通过ELM判断轴承的运行状态，实现轴承故障诊断。最后，通过实验证明采用本文的轴承故障诊断方法在线性变速工况下能够实现轴承故障的准确、高效识别。
附图说明
[0035]构成本申请的一部分说明书附图用来提供对本申请的进一步理解。
[0036]图1为本专利技术所述的基于时频脊线斜度特征的线性变速工况下的滚动轴承故障诊断方法的故障诊断流程图；
[0037]图2为轴承振动信号时频转换原理图；
[0038]图3为内圈故障振动信号的原始频率时频图与归一化频率时频图；
[0039]图4为正常、内圈故障、外圈故障、滚动体故障状态下的原始频率下计算的伪斜率与伪角度特征分布图；
[0040]图5为正常、内圈故障、外圈故障、滚动体故障状态下的Tamura纹理特征粗糙度、对比度与方向性特征分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1：获取线性变速工况下的滚动轴承振动信号，其中，所述振动信号采用振动加速度传感器采集；步骤2：从所述振动信号中选取一个时间段作为待测信号，将所述待测信号利用时频分析方法转换为含有时频脊线特征的时频图像。步骤3：从所述时频图像中提取时频脊线斜度特征，所述时频脊线斜度特征包括伪斜率特征与伪角度特征。步骤4：从所述时频图像中提取时频图像特征，所述时频图像特征为Tamura特征。步骤5：将时频脊线斜度特征与Tamura纹理特征转化为融合特征。步骤6：利用所述时频脊线特征、Tamura特征以及融合特征作为特征指标进行故障状态分类识别，以实现滚动轴承的故障诊断。2.根据权力要求1所述的一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，其特征在于，所述步骤2中，时频分析方法为STFT方法，其中，所述时频脊线特征为所述时间段内的轴承故障频率特征，用于表征所述轴承的故障状态。3.根据权力要求1所述的一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，其特征在于，从时频图像中提取时频脊线斜度特征，时频脊线斜度特征的计算公式如下：伪斜率：伪角度：A
P
＝arctanK
P
；其中，t表示初始时刻，T为时间间隔，y1为t时刻Y轴坐标，y2为t+T时刻对应Y坐标。4.根据权力要求1所述的一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，其特征在于，Tamura特征包括粗糙度、对比度、方向性三个特征，按下列公式计算出所述Tamura特征：粗糙度：上式用于计算图像中大小以2
P
×2P
为尺寸的矩形的窗口中每个像素点的亮度，其中，(a,b)代表矩形窗口中第(i，j)点的亮度均值，可通过P来确定像素的范围。E
p,h
＝|A
p
(a+2
p
‑1,b)
‑
A
p
(a
‑2p
‑1,...

【专利技术属性】
技术研发人员：程晓涵，袁隆，汪爱明，杨杰，孟国营，路雨欣，王亚洲，丁南钦，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：