一种基于数字信号处理的轴承故障诊断方法及系统技术方案

本发明专利技术属于轴承故障诊断技术领域，提出了一种基于数字信号处理的轴承故障诊断方法及系统，包括：对采集的轴承的振动信号进行加权融合处理得到多传感器融合数据；基于小波包变换对数据进行降噪处理得到小波包重构信号；基于集合经验模态分解对小波包重构信号进行模态分解及筛选后得到固有模态分量，基于筛选后的固有模态分量得到汉克尔特征矩阵；对汉克尔特征矩阵进行奇异值分解得到信号的奇异值熵；对奇异值熵进行降维后输入至分类器中得到轴承的工作状态

【技术实现步骤摘要】
一种基于数字信号处理的轴承故障诊断方法及系统


[0001]本专利技术属于轴承故障诊断
，尤其涉及一种基于数字信号处理的轴承故障诊断方法及系统
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术
。
[0003]轴承是旋转机械的关键部件，其健康状态对于保障设备的稳定和安全运行至关重要
。
然而由于其工作环境恶劣
、
工况多变，使得轴承极易发生故障，从而危及设备运行安全
。
[0004]数字信号处理是故障诊断领域的一种重要方法，可以通过对系统产生的信号进行处理和分析，确定故障原因与位置，在损坏早期发出预警以得到及时维修，从而大幅降低财产损失并提高工作效率
。
[0005]目前，轴承故障常用的诊断方法通常通过在线状态监测设备获取轴承振动数据，并对振动数据进行信号处理后，得到时域
、
频谱
、
包络图
。
通过识别时域图中的冲击信号时间间隔和频谱图中等间隔带，以识别滚动轴承缺陷的部位，然后根据包络图中故障频率的幅值和倍频数量来判断缺陷的严重程度
。
但是此方法在振动故障信号微弱时的诊断效果并不理想，而且，轴承在早期故障阶段，往往存在冲击成分微弱
、
周围环境噪声干扰大等特点
。

技术实现思路

[0006]为克服上述现有技术的不足，本专利技术提供了一种基于数字信号处理的轴承故障诊断方法及系统
。
[0007]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：本专利技术第一方面提供了一种基于数字信号处理的轴承故障诊断方法，包括：基于轴承上不同位置的传感器采集轴承的振动信号；对采集的振动信号进行加权融合处理，得到多传感器融合数据；基于小波包变换对多传感器融合数据进行降噪处理，得到小波包重构信号；基于集合经验模态分解，对小波重构信号进行模态分解及筛选后得到若干固有模态分量，基于筛选后的固有模态分量重构得到汉克尔特征矩阵；对汉克尔特征矩阵进行奇异值分解，得到小波重构信号的奇异值熵；对奇异值熵进行降维后输入至分类器中得到轴承的工作状态
。
[0008]本专利技术第二方面提供了一种基于数字信号处理的轴承故障诊断系统，包括：数据获取模块，被配置为：基于轴承上不同位置的传感器采集轴承的振动信号；数据融合模块，被配置为：对采集的振动信号进行加权融合处理，得到多传感器融合数据；降噪处理模块，被配置为：基于小波包变换对多传感器融合数据进行降噪处理，得到小波包重构信号；
集合经验模态分解模块，被配置为：基于集合经验模态分解，对小波重构信号进行模态分解及筛选后得到若干固有模态分量，基于筛选后的固有模态分量重构得到汉克尔特征矩阵；奇异值熵计算模块，被配置为：对汉克尔特征矩阵进行奇异值分解，得到小波重构信号的奇异值熵；状态识别模块，被配置为：对奇异值熵进行降维后输入至分类器中得到轴承的工作状态
。
[0009]（1）本专利技术考虑到多源信息所包含的轴承故障信息更完成整，因此，通过对不同通道采集的信号赋予权重进行数据融合，从而提高轴承状态监测精度；而且利用小波变换对多传感器融合数据进行去噪，能够有效消除噪声成分，实现从原始信号中分离出故障特征信号，对轴承早期故障诊断抗噪效果好
。
[0010]（2）本专利技术将小波包变换
、
集合经验模态分解以及奇异值分解等多种数字信号处理方法交叉融合，从而构成新的复合故障诊断方法，新方法提高了诊断速度和精度，实现了优势互补
。
[0011]（3）本专利技术利用峭度值
、
均方差和欧氏距离综合判断
、
筛选出有效的固有模态分量，挖掘模态分量所含的信息，提高了轴承故障诊断的精确性
。
[0012]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到
。
附图说明
[0013]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
[0014]图1为第一个实施例的方法流程图
。
具体实施方式
[0015]实施例一如图1所示，本实施例公开了一种基于数字信号处理的轴承故障诊断方法，包括：步骤1：基于轴承上不同位置的传感器采集轴承的振动信号；步骤2：对采集的振动信号进行加权融合处理，得到多传感器融合数据；步骤3：基于小波包变换对多传感器融合数据进行降噪处理，得到小波包重构信号；步骤4：基于集合经验模态分解，对小波包重构信号进行模态分解及筛选后得到若干固有模态分量，基于筛选后的固有模态分量重构信号得到汉克尔特征矩阵；步骤5：对汉克尔特征矩阵进行奇异值分解，得到小波重构信号的奇异值熵；步骤6：对奇异值熵进行降维后输入至分类器中得到轴承故障类别
。
[0016]在步骤1中，基于轴承上不同位置的传感器采集轴承的振动信号，包括：基于压电式加速度传感器采集轴承的输入轴前端
、
后端以及中部的振动信号
。
[0017]在步骤2中，振动信号的相关函数可以衡量波形的相似性，信号能量值与相关程度成正比关系，故将信号的能量作为分配权值的依据，即通过相关函数加权法对多路传感器
采集的数据进行加权融合处理
。
[0018]设振动信号，对任意两个信号的互相关函数为：
[0019]（1）
[0020]式中，
C
为振动信号数据的总个数，
n
为信号长度，为离散信号互相关运算时的时间坐标移动值；离散信号的能量为：
[0021]式中，为每个信号两两作互相关运算得到的互相关函数值，则第
i
个传感器与其它传感器所测得信号的总相关能量为：
。
[0022]由于权值与相关函数的能量成正比，则：，其中，，则信号的融合结果为：
。
[0023]其中
。
设置在轴承故障端部的传感器采集的故障振动信号明显，因此其所占比重较大
。
[0024]在步骤3中，考虑到采集的信号多为非平稳序列信号，无法避免含有较大程度的噪声，掩盖原有故障特征信号
。
为准确获取轴承故障特征信号，降低噪声
、
提高信噪比，需对其进行数据降噪预处理
。
[0025]基于小波包变换对多传感器融合数据进行降噪处理，得到小波包重构信号，包括：确定小波包分解滤波时的分解层数；按分解层数对多传感器融合数据进行小波包分解滤波，按照频段由低到高依次分解得到多个频段对应的小波包系数，然后相加得到小波包重构信号
。
具体的：二进小波包分解的计算式如下：（2）
[0026]式中，表示第1个小波包，即信号本身；，，
b...

【技术保护点】

【技术特征摘要】
1.
一种基于数字信号处理的轴承故障诊断方法，其特征在于，包括：基于轴承上不同位置的传感器采集轴承的振动信号；对采集的振动信号进行加权融合处理，得到多传感器融合数据；基于小波包变换对多传感器融合数据进行降噪处理，得到小波包重构信号；基于集合经验模态分解，对小波重构信号进行模态分解及筛选后得到若干固有模态分量，基于筛选后的固有模态分量重构得到汉克尔特征矩阵；对汉克尔特征矩阵进行奇异值分解，得到小波重构信号的奇异值熵；对奇异值熵进行降维后输入至分类器中得到轴承的工作状态
。2.
如权利要求1所述的一种基于数字信号处理的轴承故障诊断方法，其特征在于，所述基于轴承上不同位置的传感器采集轴承的振动信号，包括：基于压电式加速度传感器采集轴承的输入轴前端
、
后端以及轴承中部的振动信号
。3.
如权利要求1所述的一种基于数字信号处理的轴承故障诊断方法，其特征在于，所述对采集的振动信号进行加权融合处理，得到多传感器融合数据，包括：通过相关函数加权法对多个传感器采集的振动数据进行加权融合，获得多传感器融合数据
。4.
如权利要求1所述的一种基于数字信号处理的轴承故障诊断方法，其特征在于，所述基于小波包变换对多传感器融合数据进行降噪处理，得到小波包重构信号，包括：确定小波包分解滤波时的分解层数；按分解层数对多传感器融合数据进行小波包分解滤波，按照频段由低到高依次分解得到多个频段对应的小波包系数，然后相加得到小波包重构信号
。5.
如权利要求1所述的一种基于数字信号处理的轴承故障诊断方法，其特征在于，所述基于集合经验模态分解，对小波包重构信号进行模态分解和筛选后得到若干固有模态分量，包括：对小波包重构信号添加高斯白噪声，然后将其分解得到若干个不同尺度的固有模态分量与残余分量之和；设定评价指标对分解得到的固有模态分量进行筛选，筛选出包含有故障信息的固有模态分量
...

【专利技术属性】
技术研发人员：蔡梅贵，宋焕斌，蔡圣阳，陈明星，罗文博，司古义，
申请(专利权)人：山东省宇捷轴承制造有限公司，
类型：发明
国别省市：