[发明专利]一种机械故障的检测方法

说明书

技术领域

本发明是关于机械故障检测领域，具体地讲是关于一种机械故障微弱的检测方法，更具体的讲是一种从机械故障信号中获取微弱的特征信号的方法。

背景技术

由于机械元件失效会导致致命的后果和不希望的生产损失，在近几十年机械状态监测和故障诊断已得到了很高的重视。机械故障，尤其是往复机械活塞与缸套的摩擦，旋转机械转轴与轴瓦碰磨，以及齿轮的点蚀、断齿和磨损等都会产生周期性、非平稳、频率较高的冲击振动信号。如果分析处理正确，安装在关键零件附件的加速计测得的信号不仅能反映出某种故障，还能指出其位置。但是，在故障的早期，这些冲击力一般都较微弱，而且常常受到各种噪声干扰，如测试仪器中的噪声、其它机械零件产生的振动噪声等。有学者研究利用小波方法选择滤波频带和分解包络谱对包络解调技术进行改进,但存在着如何选择合适的小波基函数,以及进行小波变换的下采样所造成的信息丢失问题。

实际信号都是有限长,所以应用提升小波变换时，必须对边界点进行特殊处理。边界处理的目的是尽可能地保留小波滤波器组的重构性、数据速率以及最大限度地减少边缘振荡效应。一些学者提出采用边界延拓方法或是采用补零、镜像对称或周期性延拓等方法。然而这些边界处理的效果并不十分理想，分解后的信号在边界会出现振荡，产生虚假的信息，给信号分析带来困难。鉴于此，本方法提出先用Volterra级数预测模型对原始信号两端的延拓信号进行预测，然后再进行提升变换。

传统的提升变换进行下采样运算，容易产生频率混叠。本方法提出用非抽样提升算法实现的小波包分解，以消除频率混叠，达到提取出信号中微弱冲击成分的目的。目前小波包降噪的阈值处理方式主要采用软、硬阈值处理，会滤除信号中应有的高频成分，本方法提出用奇异值分解降噪代替软、硬阈值处理，具有很好的降噪效果。

发明内容

一种用于提取机械故障(如电动机转轴与轴瓦碰磨、往复注水泵活塞与缸套碰磨)产生微弱冲击信号，进而诊断隐含故障的方法。本发明解决了以上问题，提供了一种机械设备故障的微弱信号提取和隐含故障的诊断方法，该方法包括：

根据二阶Volterra级数预测模型对原始信号两端的延拓数据进行预测，获得无边界振荡的信号；

对所述的无边界振荡的信号使用冗余提升小波包分解，消除频率混叠，生成重构信号；

对所述的重构信号进行奇异值分解降噪，获取故障特征信号，以用于检测机械故障。

所述的二阶Volterra级数预测模型为：

非线性离散动力系统的输入为：X(n)=[x(n),x(n-1),…x(n-N+1)]，输出为y(n)=x'(n+1)，其中，n为数据点数，则非线性系统函数用二阶截断求和的形式：