【技术实现步骤摘要】
本专利技术涉及一种基于itd与改进lms自适应滤波结合的轴承故障特征提取方法，应用于轴承故障诊断。
技术介绍
1、随着生产生活现代化和科学技术的发展，电机日益趋向大型化，精密化和智能化。轴承作为电机设备的重要组成部分，是电机正常运行的主要承担者之一。当轴承发生故障时，轻则影响电机运行性能，降低电机效率；重则使电机无法运行，发生生产事故。因此，电机轴承的故障诊断显得十分有必要。
2、滚动轴承故障诊断一般以采集的振动信号作为分析对象，通过信号分析得到故障特征实现诊断。单一的常规lms自适应滤波方法可以对含噪量低的故障信号特征进行提取，但当信号中的噪声含量较高时，其滤波能力会大幅降低，致使提取出的故障特征失去可信度，从而无法进行强噪声工作环境下的轴承故障诊断。itd分解方法可将一个复杂信号分解为若干个pr分量，端点效应小，分解能力强，在故障诊断领域应用颇多；但将lms自适应滤波方法与itd分解方法相结合进行故障特征提取的技术方案迄今未见公开报导。
技术实现思路
1、本专利技术是为避免上述现有技术所存在的不足，提供一种基于itd与改进lms自适应滤波结合的轴承故障特征提取方法，以抑制故障信号中的噪声干扰，增强滤波方法的可靠性为优化目标，得到了更加稳定有效的故障特征。
2、本专利技术为实现专利技术目的采用如下技术方案：
3、本专利技术基于itd与改进lms自适应滤波结合的轴承故障特征提取方法，其步骤如下：
4、步骤1，利用itd分解方法对故障信
5、步骤2，利用峭度指标，从步骤1中挑选出故障特征信息占比多的分量为有效pr分量，利用有效pr分量进行信号重构，得到重构信号x’；
6、步骤3，对步骤2所述的重构信号x’进行改进lms自适应滤波处理，获得最佳滤波信号ym；
7、步骤4，利用fft对步骤3所述的最佳滤波信号ym进行处理，获取其频谱并进行分析，完成轴承故障特征提取
8、优选地，步骤1中，故障采样信号x为离散信号，利用itd对故障采样信号x进行分解，初步滤除信号中的杂波干扰，突出故障信号局部特征,itd的计算公式如(1)所示：
9、
10、其中，m为信号分解出的分量总个数，pri为第i个固有旋转分量，um为残余分量。
11、优选地，步骤2中，所述pr分量的峭度指标k大于3时，视为有效分量，峭度指标k计算公式如(2)所示：
12、
13、其中，x(j)代表一维离散信号，j＝1，2，…，n(n为故障信号的点数)，为信号的平均值，σ为信号的标准差。
14、优选地，步骤3中，特征在于，改进lms自适应滤波器的实现步骤为：
15、步骤3.1：利用公式(3)的向量转换式，将步骤2所述的重构信号x’转换为lms滤波器的输入向量x(k)，向量转换公式为：
16、x(k)＝[x′(k),x′(k-1),...,x′(k-l)]t (3)
17、其中，l为滤波器阶数,k为迭代次数(k＝l，l+1，…，n),x’(k)为重构信号第k点的幅值；
18、步骤3.2将输入向量x(k)与lms滤波器的权重系数向量w(k)相乘，获得lms的输出值y(k)，权重系数向量w(k)和输出值y(k)的表达式分别对应公式(4)和公式(5)：
19、w(k)＝[w0(k),w1(k),...,wl(k)]t (4)
20、y(k)＝wt(k)x(k) (5)
21、其中，w1(k),w2(k),…,wl(k)分别为与3.1所述的输入向量x(k)中元素对应相乘的各点权重系数值；当k＝1时，w(k)中的各元素取任意值，当k>1时，w(k)中的各元素的值由公式(7)进行更新；
22、步骤3.3：由式(6)计算获得误差信号e(k)：
23、e(k)＝d(k)-y(k) (6)
24、其中，d为目标信号，d(k)为目标信号第k点的幅值；
25、步骤3.4：利用式(7)更新下一次迭代的滤波器权重系数：
26、w(k+1)＝w(k)+2μe(k)x(k) (7)
27、式中，μ为步长因子，且0<μ<1；
28、步骤3.5：利用步骤3.1至3.4，分别计算k＝l，l+1，…，n时，各输入向量x(l)，x(l+1)，…,x(n)对应的输出值y(l)，y(l+1)，…,y(n)，得出对应阶数l的滤波信号yl,完成lms自适应滤波过程，对应阶数l的滤波信号yl的表达式如公式(8)所示：
29、yl＝[y(l),y(l+1),...,y(n)](8)
30、步骤3.6：当lms滤波器阶数l＝1，2，…,[n/10]时，利用步骤3.1至3.5，分别对重构信号x’进行不同阶数的lms自适应滤波处理，得出滤波信号集e,其表达式如公式(9)所示：
31、e＝(y1,y2,...,yn/10)(9)
32、步骤3.7：计算并比较滤波信号集e中的所有滤波信号的故障冲击幅值比f，最大f对应的信号即为最优滤波信号ym，故障冲击幅值比f表达式如公式(10)所示：
33、
34、其中，a为滤波信号的频谱中，故障特征的基频和倍频的幅值之和；ɑ为滤波信号的频谱中，所有点的频域幅值之和；
35、优选地，在步骤4中，利用fft对最优滤波信号ym进行处理，获取其频谱并进行分析，完成轴承故障特征提取；
36、与已有的技术相比，本专利技术有益效果体现在：
37、1、改进的lms自适应滤波器，采用故障冲击幅值比f，为故障信号匹配最佳阶数的lms滤波器，使得滤波器具有更强的追踪特性，能够更加快速有效的滤除故障信号中的噪声；
38、2、将改进的lms自适应滤波器与itd分解方法结合，双重去噪处理，增强lms自适应滤波器的抗干扰性，对故障信号中的高含量噪声也能滤除的更加彻底，提高了故障特征的质量。
本文档来自技高网...【技术保护点】
1.一种基于ITD与改进LMS自适应滤波结合的轴承故障特征提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ITD与改进LMS自适应滤波结合的轴承故障特征提取方法，其特征在于，在步骤1中，所述利用ITD分解方法对故障信号x进行处理是指：利用ITD对故障信号x进行分解，初步滤除信号中的杂波干扰，突出故障信号局部特征,ITD的计算公式如(1)所示：
3.根据权利要求1所述的基于ITD与改进LMS自适应滤波结合的轴承故障特征提取方法，其特征在于，在步骤2中，所述PR分量的峭度指标K大于3时，视为有效分量，峭度指标K计算公式如(2)所示：
4.根据权利要求1所述的基于ITD与改进LMS自适应滤波结合的轴承故障特征提取方法，其特征在于，在步骤3中，改进LMS自适应滤波器的实现步骤为：
5.根据权利要求1所述的基于ITD与改进LMS自适应滤波结合的轴承故障特征提取方法，其特征在于，在步骤4中，利用FFT对最佳滤波信号YM进行处理，获取其频谱并进行分析，完成轴承故障特征提取。
【技术特征摘要】
1.一种基于itd与改进lms自适应滤波结合的轴承故障特征提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于itd与改进lms自适应滤波结合的轴承故障特征提取方法，其特征在于，在步骤1中，所述利用itd分解方法对故障信号x进行处理是指：利用itd对故障信号x进行分解，初步滤除信号中的杂波干扰，突出故障信号局部特征,itd的计算公式如(1)所示：
3.根据权利要求1所述的基于itd与改进lms自适应滤波结合的轴承故障特征提取方法...
【专利技术属性】
技术研发人员：鲍晓华，王子豪，关博凯，王硕，王路尧，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。