轴承声发射信号微弱故障特征增强诊断方法

技术领域

本发明属于声发射信号处理应用技术领域，尤其涉及一种轴承声发射信号微弱故障特征增强诊断方法。

背景技术

轴承是旋转机械的重要部件，已广泛应用于自动化、医疗等各个领域。由于工作环境的恶劣及复杂性，也成为机械设备最易损坏的零部件之一，其运行状态直接影响整个机械系统的安全性、可靠性和使用寿命。因此，对轴承进行故障诊断的研究就显得极为重要。轴承故障诊断非常复杂，尤其是其早期故障信号极其微弱，很容易淹没在其它部件的噪声信号中而无法检测。传统的振动分析、电流信号分析已广泛用于轴承故障诊断。但是，上述传统振动分析方法和电流分析方法主要在高转速下对轴承故障进行分类，对湮没在噪声中的振动信号及低速轴承故障中的电流信号很难进行准确的故障分类。与振动分析和电流信号分析相比，声发射信号是具有以下优点：1)不受机械背景噪声的影响；2)它对早期、低速轴承故障更敏感；3)它对故障的位置敏感；4)可以提供良好的趋势参数；5)它具有频率高及频率明显的特点。由于上述优点，基于声发射信号的轴承故障诊断得到广泛应用，并取得了一些研究成果。

近年来提出的压缩感知理论，采用变换空间投影方法实现原始信号的压缩采样。用极少的测量数据获取原始信号所包含的大部分信息，从而极大提高数据传输效率并减少数据存储空间，为轴承声发射信号故障诊断提供了新的思路。

发明内容

本发明针对上述的压缩感知理论在轴承故障上的检测应用提供一种轴承声发射信号微弱故障特征增强诊断方法。

为了达到上述目的，本发明采用的技术方案为，本发明提供一种轴承声发射信号微弱故障特征增强诊断方法，包括以下步骤：

a、首先利用声发射采集系统采集滚动轴承不同故障状态的声发射信号，组成数据样本集；

b、选用高斯随机矩阵作为测量矩阵，对数据样本集内高维声发射信号进行投影得到降维压缩后的投影信号；

c、采用小波包变换对投影信号进行分解，分解后获得不同频带的信号特征；

d、提取不同频段信号的时域、频域特征，组成压缩域特征集；

e、使用PSO算法求出各频段信号特征的权值，得到增强后的特征集；

f、将经过增强的特征集输入SVM分类器进行训练和测试，得到故障诊断模型。

作为优选，所述a步骤中，采集不同故障类型的轴承声发射信号作为原始声发射信号x，原始声发射信号x在正交基Ψ∈R

x＝Ψs

式中s为稀疏变换系数，仅含有k(k＜＜N)个非零元素。

作为优选，所述b步骤中，选取与正交基Ψ不相关的高斯随机矩阵作为测量矩阵Φ，将高维的原始声发射信号x投影到测量矩阵Φ，得到降维压缩后的投影信号y，表示为：

y＝Φx＝As

式中A＝ΦΨ为感知矩阵，s为稀疏变换系数。

作为优选，所述c步骤中，根据随机投影保距性获得压缩域小波包分解矩阵

作为优选，所述e步骤中，将压缩信号特征类间平均距离作为PSO算法中每个粒子适应度函数，其表达式为：

其中，D

与现有技术相比，本发明的优点和积极效果在于，

本发明提供一种轴承声发射信号微弱故障特征增强诊断方法，解决了声发射信号由于数据量大对硬件要求高的问题。同时，由时域小波包分解矩阵推导出压缩域小波包分解的变换矩阵，用其对压缩信号进行小波包分解。提取不同频段信号的压缩域故障特征。另外，采用PSO算法对故障特征加权系数进行优化。该方法实现了微弱故障特征增强，同时也避免了主观、片面选择不同频段特征信息所引起的诊断结果的不确定。最后，通过实验验证表明所提方法在低速条件下对轴承的故障诊断具有较为满意的诊断性能。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为实施例1提供的轴承声发射信号微弱故障特征增强诊断方法的结构示意图；

图2为实施例1提供的原始声发射信号波形图；

图3为实施例1提供的压缩测量数据波形图；

图4为实施例1提供的座圈直接提取的特征参数；

图5为实施例1提供的滚动体直接提取的特征参数；

图6为实施例1提供的座圈故障特征增强后的特征参数；

图7为实施例1提供的滚动体故障特征增强后的特征参数。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。

实施例1，本实施例旨在提供轴承声发射信号微弱故障特征增强诊断方法

在本实施例中，以采集电火花加工技术在轴承座圈滚道和滚动体中央位置上加工单点凹坑来模拟轴承微弱故障为例。

采集电火花加工技术在轴承座圈滚道和滚动体中央位置上加工单点凹坑来模拟轴承微弱故障，每种状态取200组数据，每组数据截取8192个样本点。所对应的故障直径分别为0.5mm、1mm、1.5mm，深度为0.65mm。不同故障类型声发射信号的时域波形图如图2所示。将这些信号作为原始声发射信号x，原始声发射信号x在正交基Ψ∈R

x＝Ψs

式中s为稀疏变换系数，仅含有k(k＜＜N)个非零元素。

然后，选取与正交基Ψ不相关的高斯随机矩阵作为测量矩阵Φ，将高维的原始声发射信号x投影到测量矩阵Φ，得到降维压缩后的投影信号y，表示为：

y＝Φx＝As

式中A＝ΦΨ为感知矩阵，s为稀疏变换系数。

对声发射信号数据进行压缩测量，对共600组数据进行压缩投影，获得长度为4096(下采样率R＝2)的压缩数据，压缩测量数据波形图如图3所示。

采用小波包变换对压缩信号进行分解，从而提取信号特征。首先采用压缩域变换矩阵分解压缩信号，原始信号x∈R

f＝Tx

f∈R

为压缩信号y在压缩空间小波包分解后的信号分量。根据随机投影保距性可知，降维观测向量/>

式中随机测量矩阵Φ(M＜N)不是方阵，需要通过伪逆Φ

具体的说，根据经验选择三层小波包分解，每组样本信号都会对应生成8个不同频带的分量信号，从而有600*8共4800组分量信号。计算每组样本小波包分解数据的28个特征值，得到一个大小为4800*28的样本信号压缩域特征矩阵。如图4为座圈直接提取的特征参数，如图5为滚动体直接提取的特征参数。

使用PSO算法求出各频段信号特征的权值，得到增强后的特征集。PSO算法是一种智能优化算法，通过模拟鸟群的捕食行为，在解空间追踪最优粒子进行搜索。假设在D维搜索空间中有n个粒子，其中第i个粒子的位置为xi＝(x

其中w为惯性权重；c

在粒子群优化算法寻优过程中，每个粒子都有一个适应度函数来确定目前为止经历过的位置是否最优，比较后进行位置更新。信号特征权系数的分配直接影响故障分类效果，此时就需要确保压缩信号特征类间距离尽可能大。因此本文将压缩信号特征类间平均距离作为适应度函数，其表达式为：

其中，D

粒子群优化算法步骤如下：

步骤一，初始化粒子群，并设置各参数。

步骤二，根据适应度函数评价每个粒子的适应度。

步骤三，对比适应值，更新个体历史最佳位置和全局最佳位置。

步骤四，根据粒子和位置更新公式更新每个粒子的位置和速度。

步骤五，转步骤二循环迭代直至满足迭代次数或在允许误差范围内时，输出最佳适应度值和粒子位置。

利用PSO方法优化每个样本小波包分解的8个分量的特征权系数来实现特征增强，得到一个600*28的特征值矩阵。如图6所示座圈故障特征增强后的特征参数，如图7所示滚动体故障特征增强后的特征参数。

通过对压缩数据进行特征提取及增强组成故障特特征集，并将特征向量矩阵以4：1划分为训练集、测试集。SVM的核函数选择高斯径向基函数，则用本发明方法进行分类的结果如表1所示。

表1

由表1可以看出，数据样本被分为3类。测试样本编号为1～40、41～80、81～120的样本分别为一组，分别对应为正常、座圈故障、滚动体故障。测试集的120个样本使用微弱故障特征增强算法以100％的分类准确率最终准确识别出各类不同的故障样本。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。