一種基于振動時頻分析的滾動軸承故障診斷方法
【專利摘要】一種基于振動時頻分析的滾動軸承故障診斷方法：利用振動加速度傳感器采集滾動軸承正常條件和故障條件下的振動信號；利用改進后的固有時間尺度分解方法對采集到的振動信號進行分解，生成若干個固有時間尺度分量和殘差信號；計算各固有時間尺度分量與振動信號的相關性，選擇相關性排在前5位的固有時間尺度分量作為相關分量，剔除噪聲信號和偽分量；分別計算各相關分量的魏格納分布，并進行線性疊加得到原信號的魏格納時頻圖；提取魏格納時頻圖的差分分形盒維數和圖像熵作為故障特征；利用馬氏距離建立故障特征與故障類型的映射關系實現故障診斷。本發明解決了Wigner分布交叉項的干擾，確定了差分分形盒維數和圖像熵兩種具有代表性的故障特征。
【專利說明】一種基于振動時頻分析的滾動軸承故障診斷方法
【技術領域】
[0001] 本發明涉及一種滾動軸承故障診斷方法。特別是涉及一種基于振動時頻分析的滾 動軸承故障診斷方法。
【背景技術】
[0002] 振動分析是對滾動軸承進行故障診斷的最簡單最直接手段，振動分析方法可以分 為時域分析法、頻域分析法和時頻分析法。其中時頻分析方法由于能夠綜合反映振動信 號隨時間和頻率的變化情況一直是研究的熱點。魏格納（Wigner)分布是一種典型的時 頻分析方法，具有良好的時頻聚集性能夠反應振動信號的本質特征，但它只適用于處理單 分量信號，當處理滾動軸承振動信號這種多分量信號時，由于交叉項的干擾會導致生成的 Wigner時頻圖不準確，從而限制了它的應用。
[0003] 采用信號分解技術對多分量信號進行分解是解決Wigner分布交叉項問題的最有 效手段，但典型的信號分解技術如小波變換和經驗模態分解等在實際應用中都存在著各自 的問題。小波變換本質是對時頻面的機械劃分不具有自適應性，此外小波基函數的選擇過 于依賴經驗，選擇不同的基函數將會對分解結果產生重大的影響；經驗模態分解是一種自 適應的時頻分析方法，但它存在端點效應、無法解釋負頻率以及由于采用三次樣條插值帶 來的過包絡、欠包絡等問題。Frei等提出了固有時間尺度分解方法，它解決了經驗模態分解 的一些固有缺陷，并且在非平穩腦電波信號的分析中取得了不錯的效果。但是由于滾動軸 承振動信號更為復雜，想要將固有時間尺度分解用于滾動軸承故障振動信號的分析仍然需 要對其平滑方法和端點效應等問題進行優化。
[0004] 此外，故障特征提取沒有明確的標準，為了滿足故障診斷精度的要求通常需要提 取多個故障特征，這就使得計算量大大增加，同時隨著特征數目的增加特征間的冗余將會 限制故障診斷精度的進一步提高。在故障模式識別方面，常規方法如：神經網絡、支持向量 機等模型較為復雜，且對使用者的專業知識也有較高要求，不適于滾動軸承在線診斷。如何 獲取典型的故障特征，建立便于理解且計算復雜度較低的故障識別模型是滾動軸承在線診 斷研究的重點。
【發明內容】
[0005] 本發明所要解決的技術問題是，提供一種能夠去除Wigner分布交叉項干擾，提取 具有代表性的故障特征，建立簡單高效的故障識別模型的基于振動時頻分析的滾動軸承故 障診斷方法。
[0006] 本發明所采用的技術方案是：一種基于振動時頻分析的滾動軸承故障診斷方法， 包括以下步驟：
[0007] (1)利用振動加速度傳感器采集滾動軸承正常條件和故障條件下的振動信號；
[0008] (2)對固有時間尺度分解中的插值方法和端點效應處理方法進行改進，并利用改 進后的固有時間尺度分解方法對采集到的振動信號x(t)進行分解，生成若干個固有時間 尺度分量HFm(t)和殘差信號un(t):
[0009]
【權利要求】
1. 一種基于振動時頻分析的滾動軸承故障診斷方法，其特征在于，包括以下步驟： (1) 利用振動加速度傳感器采集滾動軸承正常條件和故障條件下的振動信號； (2) 對固有時間尺度分解中的插值方法和端點效應處理方法進行改進，并利用改進后 的固有時間尺度分解方法對采集到的振動信號x(t)進行分解，生成若干個固有時間尺度 分量HF m(t)和殘差信號un(t):
⑶計算各固有時間尺度分量HFm(t)與振動信號x(t)的相關性，選擇相關性排在前5 位的固有時間尺度分量作為相關分量，剔除噪聲信號和偽分量； (4) 分別計算各相關分量的魏格納分布，并進行線性疊加得到原信號的魏格納時頻 圖； (5) 提取魏格納時頻圖的差分分形盒維數和圖像熵作為故障特征； (6) 利用馬氏距離建立故障特征與故障類型的映射關系實現故障診斷。
2. 根據權利要求1所述的一種基于振動時頻分析的滾動軸承故障診斷方法，其特征在 于，步驟（2)中所述的改進的固有時間尺度分解中的插值方法，是采用分段埃爾米特插值 代替原固有時間尺度分解算法中的線性插值擬合基線信號。
3. 根據權利要求1所述的一種基于振動時頻分析的滾動軸承故障診斷方法，其特征在 于，步驟（2)中所述的改進的固有時間尺度分解中的端點效應處理方法，是采用最小二乘 支持向量機延拓解決端點效應，并利用模擬蛙跳算法對最小二乘支持向量機的核函數參數 和懲罰因子進行優化。
4. 根據權利要求1所述的一種基于振動時頻分析的滾動軸承故障診斷方法，其特征在 于，步驟（3)中所述的相關性是采用互信息進行度量，即
其中X和Y為隨機變量，I (X ;Y)為隨機變量X和Y的互信息，p (X)為隨機變量X的概 率密度函數，P (y)為隨機變量Υ的概率密度函數，Ρ (X，y)為隨機變量X和Υ的聯合概率密 度函數。
【文檔編號】G01M13/04GK104155108SQ201410348772
【公開日】2014年11月19日 申請日期:2014年7月21日 優先權日:2014年7月21日
【發明者】張俊紅, 劉昱, 林杰威, 馬梁, 馬文朋 申請人:天津大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
