一种基于AR-ICYCBD滚动轴承故障特征提取方法

技术领域

本发明涉及故障诊断相关领域，具体为一种基于AR-ICYCBD滚动轴承故障特征提取方法。

背景技术

滚动轴承在机械传动系统中起着重要作用，是机械运转的基础和保障，滚动轴承在实际工况下往往遭受恶劣工作环境的侵蚀，引起异常振动，甚至导致事故和财产损失，因此轴承故障诊断尤为重要。

其中，解卷积方法对识别早期故障有很大优势。最小熵解卷积(MED)降噪方法在峭度原则下引入到轴承故障诊断领域，但MED算法的局限性在于优先对能量大的单个脉冲进行解卷积，因此提出了最大相关峭度解卷积(MCKD)，MCKD能够突出被噪声淹没的连续脉冲，主要应用于周期性故障诊断，但其受位移数影响，只能局部提取有限的冲击脉冲数，且有过多参数，设定苛刻，算法具有一定局限。为了改进MCKD，Buzzoni等人提出了最大二阶循环平稳盲解卷积(CYCBD)，利用轴承振动信号具有循环稳定性的特点，解决了MCKD只能局部提取有限脉冲问题。但该方法提取特征效果受循环频率集参数影响严重。

现有的CYCBD算法的参数选取往往依赖于人为经验的选取，存在非自适应问题，同时常规利用全局优化算法自适应选取参数，主要通过迭代方式，导致算法时间过长，不利于工程实践。

发明内容

本发明的目的在于提供一种基于AR-ICYCBD滚动轴承故障特征提取方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于AR-ICYCBD滚动轴承故障特征提取方法，包括以下步骤：

步骤S1、传感器采集滚动轴承运行过程中的振动信号；

步骤S2、对步骤S1中采集的振动信号利用AR模型进行预处理降噪；

步骤S3、对步骤S2中AR模型预处理降噪后的信号，利用Teager能量算子构建能量谱；

步骤S4、将步骤S3中Teager能量谱结合改进的谐波乘积谱，得到增强能量谐波积谱，并用增强能量谐波积谱估计CYCBD循环频率集；

步骤S5、将增强能量谐波积谱方法估计的循环频率集和固定滤波长度输入到CYCBD中，获得CYCBD降噪后的滤波信号；

步骤S6、对步骤S5中降噪后的滤波信号利用包络谱解调提取故障特征。

优选的，所述步骤S2中利用AR模型进行预处理降噪的具体如下：

线性时域分析方法AR模型为：

其中P为阶数(i＝1,2,…,P)，a

优选的，所述步骤S3中Teager能量算子对于离散信号x(t)用差分近似定义为：

E[x(n)]＝[x(n)]

其中，x(n)为n点对应离散信号幅值，E[x(n)]为计算得到能量谱后n点对应幅值，x(n+1)为n+1点对应离散信号幅值，x(n-1)为n-1点对应离散信号幅值。

优选的，所述步骤S4中增强能量谐波积谱的数学表达式为：

其中N(Kω)为Kω周围的平均噪声值，K为谐波次数，E(x)为Teager能量幅值谱，H(ω)为增强能量谐波积谱ω频率能量幅值，W(bω)为bω对应Teager能量幅值谱除以平均噪声值(b＝1,2…K)。

优选的，所述步骤S5中将增强能量谐波积谱方法估计的循环频率集和固定滤波长度输入到CYCBD中的二阶循环平稳性指标表达式为：

式中ICS

与现有技术相比，本发明的有益效果是：本发明通过AR模型预处理降噪，同时提出增强能量谐波积谱的方法估计CYCBD循环频率集，克服了需要人为设定参数的局限性，并避免了优化算法估计循环频率集参数时间过长的问题。本方法能够快速准确的估计循环频率集，且实现了双滤波降噪，使得故障频率更突出，有效的提高了诊断效率和精度。

附图说明

图1为本发明的方法流程示意图；

图2为本发明的采样信号时域波形示意图；

图3为本发明的能量谱示意图；

图4为本发明的循环频率集示意图；

图5为本发明的时域波形示意图；

图6为本发明的包络谱示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1，本发明提供一种技术方案：一种基于AR-ICYCBD滚动轴承故障特征提取方法，包括以下步骤：

步骤S1、传感器采集滚动轴承运行过程中的振动信号；

步骤S2、对步骤S1中采集的振动信号利用AR模型进行预处理降噪；

步骤S3、对步骤S2中AR模型预处理降噪后的信号，利用Teager能量算子构建能量谱,能量谱将频率分析从高的谐振频率范围转移到低的频率范围，减少高阶谐波影响，简化信号，同时能够增加故障冲击成份和抑制部分噪声；

步骤S4、将步骤S3中Teager能量谱结合改进的谐波乘积谱，得到增强能量谐波积谱,增强能量谐波积谱极大程度的解决了背景噪声和高阶谐波影响，能够快速准确的提取基频，并能用增强能量谐波积谱直接估计CYCBD循环频率集；

步骤S5、将增强能量谐波积谱方法估计的循环频率集和固定滤波长度输入到CYCBD中，获得CYCBD降噪后的滤波信号；

步骤S6、对步骤S5中降噪后的滤波信号利用包络谱解调提取故障特征。

进一步的，步骤S2中利用AR模型进行预处理降噪的具体如下：

线性时域分析方法AR模型为：

其中P为阶数(i＝1,2,…,P)，a

进一步的，步骤S3中Teager能量算子对于离散信号x(t)用差分近似定义为：

E[x(n)]＝[x(n)]

其中，x(n)为n点对应离散信号幅值，E[x(n)]为计算得到能量谱后n点对应幅值，x(n+1)为n+1点对应离散信号幅值，x(n-1)为n-1点对应离散信号幅值

进一步的，步骤S4中增强能量谐波积谱的数学表达式为：

其中N(Kω)为Kω周围的平均噪声值，K为谐波次数，E(x)为Teager能量幅值谱，H(ω)为增强能量谐波积谱ω频率能量幅值，W(bω)为bω对应Teager能量幅值谱除以平均噪声值(b＝1,2…K)。

进一步的，步骤S5中将增强能量谐波积谱方法估计的循环频率集和固定滤波长度输入到CYCBD中的二阶循环平稳性指标表达式为：

式中ICS

具体的，例如实验轴承采用型号为LDK UER204型，采样频率为25600Hz，转速为2100rpm，选取以Bearing1_1的第1组外圈故障水平方向采样信号进行分析，理论故障频率为107.9HZ，采样信号时域波形如图2所示，受噪声影响无法看到故障冲击成份，利用本发明提出的方法处理该采样信号，首先利用AR模型对原始信号预处理，之后利用Teager能量算子对预处理的信号构造能量谱，如图3所示，最后利用增强能量谐波积谱提取基频，估计循环频率集，如图4所示。该方法能够准确的进行循环频率估计，根据增强能量谐波积谱，自适应设置循环频率集为[108,216,324…10800]输入到CYCBD算法中，其处理结果时域波形和包络谱，如图5和图6所示，时域波形能够直接明显看到周期性冲击脉冲，包络谱中故障频率实际观察值107.8hz接近理论值107.9hz，同时多倍频均可识别。

本发明实现了自适应输入CYCBD的循环频率集，从而保证CYCBD算法滤波效果，有效消除信号传输过程中噪声信号的干扰，双滤波方法得到的滤波信号利用包络谱分析识别故障特征频率，充分地消除采集信号中的背景噪声干扰，分析包络谱故障信息，实现轴承状态的故障诊断。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。