低速重载轴承故障识别方法、系统、介质、设备及终端

技术领域

本发明属于滚动轴承故障识别技术领域，尤其涉及一种低速重载轴承故障识别方法、系统、介质、设备及终端。

背景技术

目前，滚动轴承是维持机械设备正常运转的主要部件，保证它的状态良好对设备正常工作起着十分关键的作用，大多数情况下机械设备发生故障都与滚动轴承有紧密的联系。因此，滚动轴承的故障诊断工作对于工程安全具有重要的意义，是机械故障诊断领域中重要的研究内容。滚动轴承一旦发生故障，往往会引起连锁反应，导致整体机械设备发生不同程度的损坏，严重时可能会造成设备停机，甚至引发事故。因而，在机械设备运行过程中，采用合理的分析方法对其运行状况进行故障检测以及诊断，提取有效的故障特征信息，快速诊断出轴承故障对保障安全生产意义重大。但是，传统的基于振动测试的滚动轴承诊断技术往往假定工况是平稳的，并假设故障只来源于设备劣化或失效。实际上在机械、能源以及国防等行业中，很多大型机械设备普遍运行在低速、交变重载的复杂工况下，因此低速重载条件下的滚动轴承故障诊断工作也是工程领域中的研究重点。

低速重载轴承的振动信号呈现宽带、非平稳和强噪声特征。当轴承发生故障时，轴承缺陷通常会对系统产生周期性冲击，同时冲击信号被旋转频率所调制，因此轴承故障特征频带通常表现为窄带形式。由于冲击持续时间相对较短，导致故障振动信号呈现短时冲击特征，而短时冲击信号频谱为宽频带，导致轴承振动信号的瞬时幅值和瞬时频率均呈现非平稳特征；同时，在设备运行过程中，其他组件也会随着工况的变化成为强交变振动源，这种强交变振动传递到低速重载轴承上会形成较大的噪声污染，从而导致振动信号出现强噪声特征。起重机作为钢铁制造业领域的关键核心设备，其安全稳定运行极大的影响正常的钢厂工作和加工成本。而低速重载轴承又是起重机的关键承载部件，长期工作在恶劣环境与变工况条件下，因此，对起重机的低速重载轴承进行故障诊断和识别，是至关重要的。低速重载轴承的故障识别工作本质上是一个特征提取和模式识别的过程。在工程领域中，传统的时频分析方法被用来从噪声信号中提取故障特征，但是容易产生频率模糊。而且现有的故障特征提取方法多用于提取窄带分量，受极值点插值函数或吉布森效应影响，难以从非平稳和强噪声中提取信号的宽带故障特征信息。

通过上述分析，现有技术存在的问题及缺陷为：

(1)传统的基于振动测试的滚动轴承诊断技术往往假定工况为恒速定载，并假设故障只来源于设备劣化或失效，不适用于低速、交变重载的复杂工况，存在适用性受限的问题。

(2)在工程领域中，常用的时频分析方法被用来从噪声信号中提取故障特征，但是容易产生频率模糊和模态混叠，导致信号分解结果存在误差，影响故障特征提取的准确性。

(3)现有的故障特征提取方法多用于提取窄带信号分量，受极值点插值函数或吉布森效应影响，容易出现边角锐化现象，造成提取结果产生一系列波动。因此，难以准确地从非平稳和强噪声中提取信号的宽带故障特征信息。

发明内容

针对现有技术存在的问题，本发明提供了一种低速重载轴承故障识别方法、系统、介质、设备及终端，尤其涉及一种基于广义宽窄带稀疏分解的低速重载轴承故障识别方法、系统、介质、设备及终端。

本发明是这样实现的，一种低速重载轴承故障识别方法，所述低速重载轴承故障识别方法包括：

对信号进行滤波分解，对分解得到的前三个分量信号的特征量进行求解并构建特征值矩阵；采用距离评估技术对特征值矩阵进行降维，筛选出显著特征；将显著特征输入到BP神经网络进行训练和测试，实现低速重载轴承故障识别。

进一步，所述低速重载轴承故障识别方法还包括：

采用广义宽窄带稀疏分解方法将采集到的低速重载轴承的振动信号进行滤波分解，从信号分量中提取特征值之前确定包含轴承故障信息的最具代表性的信号分量；根据广义宽窄带稀疏分解方法内在的滤波特性，选择前三个信号分量提取统计参数特征；采用距离评估技术方法对分解后的前三个分量信号进行特征值计算，进而筛选出与故障信息匹配的显著特征；将显著特征输入到BP神经网络中进行训练和测试，实现低速重载轴承的故障识别。

进一步，所述低速重载轴承故障识别方法包括以下步骤：

步骤一，提出广义宽窄带稀疏分解方法；

步骤二，利用距离评估技术进行特征提取；

步骤三，利用BP神经网络实现低速重载轴承的故障识别。

进一步，所述步骤一中的广义宽窄带稀疏分解方法包括广义傅里叶变换；

广义解调通过预设的相位函数把时频分布为若干条曲线的多分量信号中的特定曲线成分转换成线性的、平行于时间轴的直线，用于低转速、交变负载作用下的非平稳信号分析，广义解调算法的本质为广义傅里叶变换。

对于实信号x(t)，广义傅里叶变换定义为：

式中，s

令X

进一步，所述步骤一中的广义宽窄带稀疏分解方法还包括：

(1)宽窄带联合字典库

建立由方波信号和锯齿波信号两种典型宽频信号字典库以及窄带信号字典库所组成的联合字典库，从噪声信号中分解出宽带方波信号和窄带正弦信号。在三个字典库中搜索查找，得到最终的分解结果。联合字典库构造如下：

Dic

Dic

Dic

其中，θ，ω和A分别代表字典库中原始相位、角频率和振幅；在Dic

(2)广义宽窄带稀疏分解方法的迭代过程

利用广义宽窄带稀疏分解方法求解IMF

1)设置r

2)提取直流分量；

r

其中，

3)提取广义解调信号；

根据原始信号的特征，选择合适的相位函数s

4)设置i＝1，并求解下面优化问题Q1，构造如下：

Q1:Minimize T

其中，T

5)采用人工化学反应优化算法(ACROA)求解Q1，得到最优解T

6)更新r

7)若满足下式的终止条件，则终止迭代过程；否则返回到步骤4)；

进一步，所述步骤二中的距离评估技术进行特征提取包括：

(1)计算特征值

低速重载轴承振动信号经过广义宽窄带稀疏分解后，对分解后的分量信号进行特征提取，特征提取要求选择合适的特征参数进行表征。在进行低速重载轴承的故障识别时选择时域和频域的统计特征值表征故障特征。

(2)特征提取

通过对分量信号进行特征值计算后，得到表征轴承振动信号的22个统计特征值，并采用距离评估技术方法构建特征值矩阵并筛选出显著特征。设p

将显著特征进行归一化处理，如下式所示：

其中，f

本发明的另一目的在于提供一种应用所述的低速重载轴承故障识别方法的低速重载轴承故障识别系统，所述低速重载轴承故障识别系统包括：

稀疏分解模块，用于提出广义宽窄带稀疏分解方法；

特征提取模块，用于利用距离评估技术进行特征提取；

故障识别模块，用于利用BP神经网络实现低速重载轴承的故障识别。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

对信号进行滤波分解，对分解得到的前三个分量信号的特征量进行求解并构建特征值矩阵；采用距离评估技术对特征值矩阵进行降维，筛选出显著特征；将显著特征输入到BP神经网络进行训练和测试，实现低速重载轴承故障识别。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

对信号进行滤波分解，对分解得到的前三个分量信号的特征量进行求解并构建特征值矩阵；采用距离评估技术对特征值矩阵进行降维，筛选出显著特征；将显著特征输入到BP神经网络进行训练和测试，实现低速重载轴承故障识别。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的低速重载轴承故障识别系统。

结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：

第一、针对上述现有技术存在的问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

低速重载轴承故障诊断的关键是从振动信号中提取故障特征。基于振动信号的低速重载轴承故障诊断方法一般可分为三个步骤，首先是振动信号的采集，其次是振动信号的处理与故障特征提取，最后是故障模式的识别与诊断。其中，基于振动信号的低速重载轴承故障诊断的关键是在故障机理研究的基础上釆用合适的信号分析方法来提取故障信息。

针对现有分析方法对低速重载轴承进行故障诊断时难以准确提取故障特征以及在复杂工况下适用性受限的问题，本发明提出了一种基于广义宽窄带稀疏分解的低速重载轴承故障识别方法。广义宽窄带稀疏分解方法的主要思想是在包含IMF(内禀模态函数)的联合字典库中搜索信号的最稀疏解，将信号分解转化为优化问题，使用ACROA(人工化学反应优化算法)对滤波器的参数进行优化，在优化的过程中实现振动信号的自适应滤波分解。避免了频率混淆的产生，使得分量具有更明确的物理意义。在对原始信号进行广义宽窄带稀疏分解的基础上，计算了前三个分量信号的特征量并构建了特征值矩阵，应用距离评估技术方法实现了特征降维，而且筛选出了具有代表性的显著特征。距离评估技术的基本思想是使用有效因子对具有小的类内变化及大的类间变化的特征量进行针对性选择，为了方便比较并做归一化处理，从而更好地实现低速重载轴承的故障特征提取。最后将提取出来的显著特征输入到BP神经网络进行训练和测试。BP神经网络是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐藏层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。它能学习和存贮大量的输入-输出模式映射关系，而不用给出描述这种映射关系的数学方程。因而可以用于低速重载轴承故障类型的识别。

1.本发明中所提广义宽窄带稀疏分解方法可以更准确地对信号进行滤波分解和去工况处理。首先，将非平稳、交变负载下的振动信号进行广义解调，广义解调是一种可以将时频分布是倾斜、非线性和非平稳信号转换成时频分布为线性的且平行于时间轴的平稳信号的分析方法。它的优势在于：第一，可以将振动信号时频表达中预先选定的时频脊线同域转换，使其成为平行于时间轴的直线；第二，时频脊线被转换的同时，时频聚集性也显著提高。其次，建立由方波信号和锯齿波信号两种典型宽带信号字典库以及窄带信号字典库所组成的联想字典库，以便从噪声信号中分解出宽带信号和窄带信号，在三个字典库中进行搜索查找，得到更加精确的稀疏解。

2.本发明中采用距离评估技术方法对分解后的分量信号进行特征提取。振动信号经过广义宽窄带稀疏分解后，需要对分解后的分量信号进行特征量求取，但是并不是所有的特征都能对低速重载轴承的故障识别产生积极的效果。不同的特征量对故障的敏感程度并不相同，通常被称为显著特征的特征量才能被选择出来。为提高分类器的精度，在计算时需要选取和故障信息匹配的显著的特征，去除不相关或冗余的特征。因此，采用距离评估技术方法来构建特征值矩阵并筛选出显著特征，降低特征维数。该方法的基本思想是使用有效因子对具有小的类内变化及大的类间变化的特征进行选择，并对有效因子进行归一化，与有效因子相对应的显著特征能够对不同的故障更好的进行识别。

3.本发明中将显著特征输入到BP神经网络中进行训练和测试，实现低速重载轴承的故障识别。BP神经网络是一种具有广泛适用性的训练算法，一个具有3层或3层以上的BP神经网络能够以任何精度逼近任何连续函数，具有很强的非线性映射能力以及自学习、自组织和自适应的能力。应用BP神经网络进行低速重载轴承的故障识别就是利用其良好的函数逼近能力，通过输出模式与标准模式相比较判断输出的类别，从而对实验数据所对应的故障类型进行更准确的分类。

本发明技术方案不仅可以保障低速重载轴承设备的安全运行，及时发现已有故障以及判断出现的故障类型，而且还能对低速重载轴承的早期故障给出诊断，从而对低速重载轴承设备的预测性维护提供一定的条件。因此，以低速重载轴承为研究对象，建立起低速重载轴承状态监测和故障识别系统，对于保证设备正常运行，具有非常重要而现实的意义。

第二，把技术方案看作一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

本发明提出了一种基于广义宽窄带稀疏分解的低速重载轴承故障识别方法。针对原始信号具有宽带、非平稳和强噪声的问题，重点研究了对信号进行滤波分解的步骤，对分解得到的前三个分量信号的特征量进行了求解并构建特征值矩阵，采用了距离评估技术方法对特征值矩阵进行降维，筛选出显著特征，将显著特征输入到BP神经网络进行训练和测试，实现了低速重载轴承故障识别。

本发明采用距离评估技术对所计算的特征值构成的特征值矩阵进行降维，能够从非平稳和强噪声干扰的振动信号中提取出更多更准确的故障信息，并筛选出更具有代表性的显著特征，便于运用BP神经网络进行实验数据的训练和测试，从而实现对低速重载轴承故障类型的准确识别。

第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

(1)本发明的技术方案提供了一种新的信号分解方法，目的在于能够对振动信号进行滤波去噪，更加有效地提取故障特征信息，是对现有的信号分解方法的一种补充，填补了对于非平稳、交变负载工况下的低速重载轴承故障诊断的技术空白。

(2)本发明的技术方案能够对低转速和交变重载工况下的振动信号进行去工况处理，准确地进行故障特征提取，实现低速重载轴承的故障识别。解决了传统的诊断方法故障特征提取困难和适用性受限的问题，攻克了人们一直渴望解决、但始终未能获得成功的技术难题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅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的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的低速重载轴承故障识别流程图；

图2是本发明实施例提供的广义宽窄带稀疏分解方法的迭代流程图；

图3是本发明实施例提供的距离评估技术方法的流程图；

图4是本发明实施例提供的BP神经网络故障识别流程图；

图5是本发明实施例提供的故障实验台示意图；

图6是本发明实施例提供的广义宽窄带稀疏分解方法分解振动信号图；

图7是本发明实施例提供的宽窄带稀疏分解方法分解振动信号图；

图8是本发明实施例提供的变分模态分解方法分解振动信号图；

图9是本发明实施例提供的集合经验模态分解方法分解振动信号图；

图10是本发明实施例提供的广义宽窄带稀疏分解方法显著特征图；

图11是本发明实施例提供的宽窄带稀疏分解方法显著特征图；

图12是本发明实施例提供的变分模态分解方法显著特征图；

图13是本发明实施例提供的集合经验模态分解方法显著特征图；

图14是本发明实施例提供的BP神经网络识别图；

图15是本发明实施例提供的低速重载轴承故障识别方法流程图；

图16是本发明实施例提供的低速重载轴承故障识别系统结构框图；

图中：1、稀疏分解模块；2、特征提取模块；3、故障识别模块；4、加速度传感器；5、实验轴承；6、负载加压装置；7、联轴器；8、减速箱；9、3kW交流电机；10、信号采集系统。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种低速重载轴承故障识别方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。

一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

本发明提出了一种基于广义宽窄带稀疏分解的低速重载轴承故障识别方法。针对原始信号具有宽带、非平稳和强噪声的问题，重点分析了对信号进行滤波分解的步骤，对分解得到的前三个分量信号的特征量进行了求解并构建特征值矩阵，采用了距离评估技术方法对特征值矩阵进行降维，筛选出显著特征，将显著特征输入到BP神经网络进行训练和测试，实现了低速重载轴承故障识别。

低速重载轴承故障识别的具体实施流程如图1所示。

1、广义宽窄带稀疏分解方法

1.1广义傅里叶变换

广义解调能通过预设的相位函数把时频分布为若干条曲线的多分量信号中的特定曲线成分转换成线性的、平行于时间轴的直线，比较适合低转速、交变负载作用下的非平稳信号分析，广义解调算法的本质为广义傅里叶变换。

对于实信号x(t)，其广义傅里叶变换定义为：

式中，s

如果令X

1.2广义宽窄带稀疏分解方法

1.2.1宽窄带联合字典库

为了从噪声信号中分解出宽带方波信号和窄带正弦信号，首先建立了由方波信号和锯齿波信号两种典型宽频信号字典库以及窄带信号字典库所组成的联合字典库。在三个字典库中搜索查找，得到最终的分解结果。联合字典库构造如下：

Dic

Dic

Dic

其中，θ，ω和A分别代表字典库中原始相位、角频率和振幅。在Dic

1.2.2广义宽窄带稀疏分解方法的迭代过程

广义宽窄带稀疏分解方法求解IMF

(1)设置r

(2)提取直流分量。

r

其中，

(3)提取广义解调信号。

根据原始信号的特征，选择合适的相位函数s

广义宽窄带稀疏分解方法的迭代过程如图2所示。

(4)设置i＝1，并求解下面优化问题Q1，其构造如下：

Q1:Minimize T

T

(5)采用人工化学反应优化算法(ACROA)求解Q1，可以得到最优解T

(6)更新r

(7)若满足式(10)中的终止条件，则终止迭代过程；否则返回到步骤(4)。

2、距离评估技术进行特征提取

2.1计算特征值

低速重载轴承振动信号经过广义宽窄带稀疏分解后，需要对分解后的分量信号进行特征提取，特征提取要求选择合适的特征参数进行表征。当轴承故障发生时，信号的时频域分布及幅值与正常状态下有较大的不同，此时对应的频谱分布及幅值也会改变。因此，本发明在进行低速重载轴承的故障识别时选择时域和频域的统计特征值来表征故障特征。特征值计算公式如表1所示。

表1时频域统计特征值

注：x(n)(n＝1,2,…,N)为原始信号，N为数据点的数量；s(h)(h＝1,2,…,M)为原始信号频谱的幅值，M为谱线的数量；f(h)为第h条谱线频率的幅值。

2.2特征提取

通过对分量信号进行特征值计算后，得到表征轴承振动信号的22个统计特征值。但是并不是所有的特征值都能对轴承的故障识别产生积极的效果。因此，本发明采用距离评估技术方法来构建特征值矩阵并筛选出显著特征。设p

不同的显著特征，幅值范围一般是不同的，因此需要将显著特征进行归一化处理，如下式所示：

其中f

采用距离评估技术方法对所计算的特征值构成的特征值矩阵进行降维，能够从非平稳和强噪声干扰的振动信号中提取出更多更准确的故障信息，并筛选出更具有代表性的显著特征，便于运用BP神经网络进行实验数据的训练和测试，从而实现对低速重载轴承故障类型的准确识别。

3、BP神经网络实现低速重载轴承的故障识别

首先，采用所提出的广义宽窄带稀疏分解方法将采集到的低速重载轴承的振动信号进行滤波分解，从信号分量中提取特征值之前，必须确定包含轴承故障信息的最具代表性的信号分量。根据广义宽窄带稀疏分解方法内在的滤波特性，涵盖高频段的信号分量在迭代过程中总是先筛选出来。考虑这两方面因素，本发明只选择前三个信号分量来提取统计参数特征。其次，采用距离评估技术方法对分解后的前三个分量信号进行显著特征提取。即对分解后的分量信号进行特征值计算，进而筛选出与故障信息匹配的显著特征，有利于对不同的故障更好的进行识别。最后，将显著特征输入到BP神经网络中进行训练和测试，实现低速重载轴承的故障识别。

BP神经网络识别低速重载轴承故障的流程图如图4所示。

二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。

本发明的技术方案以钢厂起重机的低速重载轴承为研究对象，并运用所提出的技术方案实现低速重载轴承的故障识别。通过将加速度传感器安装到实验所用的低速重载轴承上，实现振动信号的采集。针对原始信号具有宽带、非平稳和强噪声的问题，创造性地提出广义宽窄带稀疏分解方法，并运用该方法对振动信号进行滤波去噪和去工况处理。并对分量信号的特征量进行计算，从而构建特征值矩阵，利用距离评估技术方法能够对具有小的类内变化及大的类间变化的特征进行选择的优点，对特征值矩阵进行降维，实现显著特征的筛选工作。最后将选择出的显著特征一起输入到BP神经网络进行训练和测试，测试结果说明对于低速重载轴承故障识别工作，本发明的技术方案能够达到很高的精确度。表明本发明的技术方案具有一定的工程实际意义和较高的技术价值。

三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。

以实验室中的轴承故障试验台所采集的振动信号为例，进行具体实施案例的分析及效果验证。

1、具体实施案例分析

1.1实验装置与数据采集

本发明以钢铁公司生产线上的起重机低速重载轴承为研究对象，对其进行故障识别。

分析数据来源于实验室采集的低速重载轴承振动信号，故障实验台如图5，由加速度传感器4、实验轴承5、负载加压装置6、联轴器7、减速箱8、3kW交流电机9、信号采集系统10组成。

支撑轴由电机驱动，转速由交流驱动控制，通过调整变频器示数可以设置转速工况。将两个低速重载轴承安装在支撑轴上，左侧为健康轴承，右侧为实验轴承，用于设置轴承的不同故障类型。通过按压加压手柄给实验轴承设置负载状态，同时在实验轴承的壳体上放置一个加速度传感器来采集振动信号。

实验过程中采样频率设置为1kHz，每组实验数据采样时间为10分钟，实验开始前，将加速度传感器安装在实验轴承座上，设定轴承上的负载加压为25MPa，由于钢厂的起重机低速重载轴承主要工作在38r/min，因此在实验中，轴承转速作同样处理。每组数据采集前，将提前设置好的不同故障状态的实验轴承进行换装，最后取正常状态、内圈故障和外圈故障下各一组数据，共三组实验数据，用于实验分析。起重机低速重载轴承的相关参数如表2所示。

表2实验轴承参数

1.2起重机低速重载轴承的故障识别

选取实验轴承在正常、内圈故障和外圈故障三种状态下的振动信号用于起重机低速重载轴承的故障识别。首先分别将相同转速和负载条件下的三种健康状态的实验轴承振动信号进行等时间截取，每种状态的振动信号被等分成30组。实验数据集情况如表3所示，即表3中的数据集包含实验轴承的三种状态，每种状态下包含30个样本。

表3实验数据集

起重机低速重载轴承故障识别的具体步骤如下：

(1)对三种状态下的实验轴承的振动信号进行分解，得到一系列信号分量。

(2)取前三个IMFs分量计算所有的特征值(表1中的22个时频域统计参数)，以此作为特征值向量，因此每组信号共有66个特征值。

(3)对特征值向量进行归一化处理，得到归一化后的特征值向量α′

(4)通过BP神经网络对显著特征进行训练和测试，实现起重机低速重载轴承故障类型的识别分类。

为了对比和验证本发明所提方法的有效性，技术分别将广义宽窄带稀疏分解、宽窄带稀疏分解、变分模态分解和集合经验模态分解四种方法进行比较，结合距离评估技术方法用于起重机低速重载轴承实验信号的故障特征提取，并运用BP神经网络进行故障识别。

首先分别采用四种方法对三种状态下的共90组实验信号进行分解，以提取故障特征信息。图6、图7、图8和图9给出了应用四种方法对第3类外圈故障数据中随机选择一组样本的分解结果。从分解图中可以看出广义宽窄带稀疏分解方法分解出来的分量比较平稳，分解结果更精确。在三种健康状态下的各30组数据中，随机选择20组数据进行训练，其余10组数据作为测试样本，即一共60组训练样本，30组测试样本。其次结合距离评估技术方法针对表1所求的特征值进行显著特征选择，显著特征筛选结果如图10、图11、图12和图13所示(显著特征用圆圈标记)。可以看出集合经验模态分解方法结合距离评估技术最后得到9个显著特征，变分模态分解方法结合距离评估技术最后得到15个显著特征，宽窄带稀疏分解方法结合距离评估技术最后得到24个显著特征，而广义宽窄带稀疏分解方法结合距离评估技术最后得到了32个显著特征，表明广义宽窄带稀疏分解方法能够提取出更多的故障特征信息。最后将四种方法结合距离评估技术得到的显著特征输入到BP神经网络中进行训练和测试，实现起重机低速重载轴承的故障识别。BP神经网络对测试样本的识别结果如图14所示，可以看出由广义宽窄带稀疏分解方法结合距离评估技术并运用BP神经网络得到的测试样本的识别结果中，仅状态2出现1例错误分类，而其他测试样本则进行了准确分类，总准确率为96.67％。而其他三种方法结合BP神经网络最终得到的识别结果中产生了较多的错误，表4给出了四种分解方法结合BP神经网络得到的具体分类情况，实例表明本发明所提出的方法结合BP神经网络能更加准确有效地识别出起重机低速重载轴承的故障类型。

本发明以低速重载轴承为分析对象，提出了一种广义宽窄带稀疏分解方法。通过对振动信号进行分解，并结合距离评估技术方法对特征值进行显著特征筛选，运用BP神经网络，实现对低速重载轴承故障类型的准确识别。广义宽窄带稀疏分解方法在抑制模态混叠和提高时频分辨率方面均具有一定的优越性，而且在分解强噪声干扰下的非平稳信号时，分解精度能够保持较高的水平，可以准确提取出有效分量。实验分析表明，广义宽窄带稀疏分解方法结合距离评估技术方法，运用BP神经网络在识别低速重载轴承不同故障类型方面表现出良好的性能，能够达到较高的识别精度。

表4四种分解方法结合BP神经网络的识别精度

如图15所示，本发明实施例提供的低速重载轴承故障识别方法包括以下步骤：

S101，提出广义宽窄带稀疏分解方法；

S102，利用距离评估技术进行特征提取；

S103，利用BP神经网络实现低速重载轴承的故障识别。

如图16所示，本发明实施例提供的低速重载轴承故障识别系统包括：

稀疏分解模块1，用于提出广义宽窄带稀疏分解方法；

特征提取模块2，用于利用距离评估技术进行特征提取；

故障识别模块3，用于利用BP神经网络实现低速重载轴承的故障识别。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本发明领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。