[发明专利]基于自适应冗余提升小波降噪分析的轴承故障识别方法

说明书

技术领域

本发明涉及一种基于自适应冗余提升小波降噪分析的轴承故障识别方法，属于滚动轴承的故障识别技术领域。

背景技术

在众多的现代化设备中，轴承是应用最为广泛同时也是最易发生故障的元件之一。而因其故障引起的设备停机和生产停产，将给企业造成巨大的经济损失。为了保证生产的正常进行，最大限度地防止不良后果的发生，针对轴承开展有效的状态监测和诊断显得尤为重要和必要。对轴承实施状态监测时，采集其振动信号并运用一定的技术作分析处理，同时结合故障机理来判断轴承的运行状态，是当前最为常用的途径。而在诸多的现代信号处理方法中，具有多分辨分析的小波变换应用十分普遍，其主要是利用小波与信号中感兴趣成分的相似性以及小波的低熵特性将这些成分提取出来。但对于传统小波，由于双尺度方程的约束性，用于不同尺度下信号分解的却始终是同一小波，因而难以匹配不同尺度下信号中的特征。为此，利用提升算法在时域构造小波的特性，对轴承的振动信号进行提升小波变换，并在变换的过程中根据不同尺度下信号的特点自适应地选取不同的小波来匹配信号中的特征，并结合阈值降噪方法来提高信噪比，以更好地提取有效特征用于轴承状态的识别。

所述的“小波”是指：“小波”就是小区域、长度有限、均值为0的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。

发明内容

本发明目的是提供一种基于自适应冗余提升小波降噪分析的轴承故障识别方法，从含背景噪声的轴承信号中提取出微弱特征，用以进行轴承状态的识别和诊断，解决背景技术存在的上述问题。

本发明技术方案是：

基于自适应冗余提升小波降噪分析的轴承故障识别方法，包括如下步骤：

1）  轴承振动信号的自适应冗余提升小波变换；

首先，确定预测算子长度                                               和更新算子长度并一共得到十组不同的值，结合Lagrange插值公式计算得到十组预测算子系数和更新算子系数，进而构造出十种具有不同特性的小波；然后，确定分解层数，开始逐次进行冗余提升小波分解；每次分解时，均对新生成的十组低频逼近信号和高频细节信号取归一化范数，并比较这十个范数值，取范数值最小的低频逼近信号和高频细节信号作为该次分解的最终结果而舍弃其他九组结果；

2）  对各次分解得到的高频细节信号作变尺度阈值降噪处理；

3）对最后一次分解得到的低频逼近信号和经小波阈值降噪后的高频细节信号作完整的逆向重构；

4）对重构后的信号作Hilbert解调处理，得到初始振动信号的包络谱图；对谱图中的频率成分进行提取和识别；若能发现转频或故障特征频率甚至对应的倍频，判断轴承发生故障。

对轴承的振动信号作自适应冗余提升小波变换，根据提升算法的特性，对不同尺度下信号的特征自适应地选取不同的小波来进行最优匹配，并通过冗余算法使每次分解得到的低频逼近信号和高频细节信号始终与初始信号具有相同的长度，更好地提取出信号中感兴趣的信息用于后续的分析。

对低频逼近信号和高频细节信号作阈值降噪处理，在一定程度上滤除噪声，进一步提高信噪比。

对重构的信号作包络谱分析，根据故障机理来提取有效的频率成分，可为轴承的状态识别提供必要条件，提高诊断的准确率。

本发明的有益效果是：1）对轴承振动信号作自适应冗余提升小波变换，可以根据不同尺度下信号的特征来选取不同的小波对信号进行分解，从而最大限度地实现微弱特征的最优匹配和提取。2）对分解得到的低频逼近信号和高频细节信号作变尺度阈值降噪处理，根据噪声在小波域的变化特点来灵活选取阈值，可以更好地滤除噪声，同时又尽可能地保证真实信号的完整性。

附图说明

图1是本发明的总体流程图；

图2是自适应冗余提升小波变换过程的流程图；

具体实施方式

下面结合附图，通过实施例对本发明作进一步说明。

参照附图1，对轴承振动信号整体分析，包括四个具体步骤：