[发明专利]一种基于时频域多维振动特征融合的滚动轴承故障诊断方法

权利要求书

1.一种基于多维时频域特征矩阵的滚动轴承故障诊断方法，其特征在于包括以下步骤： 

消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理； 

特征参数提取器对消噪后的不同工况下的滚动轴承的振动信息，提取多个时域特征参数，每个时域特征参数选取多组样本组成时域特征矩阵； 

小波包分解器对消噪后的不同工况下的滚动轴承的振动信息，进行小波包分解，小波包重构器重构分解后的小波包系数； 

计算处理器对重构的小波包系数进行能量矩计算，得到小波包能量矩阵； 

所述计算处理器将时域矩阵和频域矩阵融合为多维特征矩阵，用相关系数法剔除诊断精度不高的冗余特征向量，生成新的多维特征矩阵； 

所述计算处理器求出滚动轴承多维特征矩阵的指标距；根据多维特征指标距判断滚动轴承的状态属性。 

2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，多维特征矩阵为由一组轴承振动样本提取的不同特征参量组成的特征矩阵

其中，r表示样本组数，s表示特征个数，A为多维特征矩阵。 

3.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理，包括： 

通过公式 对二进小波变换系数ω_j,k进行压缩，获得阈值消噪后的小波系数α_j,k进行重构获得满足最小均方误差的消噪结果，其中，ω_j,k为尺度j的第k点的小波系数，为尺度j的小波变换系数均值，t_j为尺度j下的消噪阈值水平，α_j,k为经过消噪后在尺度j的第k点的小波系数； 

利用函数 进行阈值估计，其中，C_i,j是第j尺度下小波系数的各个局部成分的复杂度的最大值，C_max是等长的高斯白噪声复杂度，α₀是置信度，τ_i,j是第j尺度的具有最大复杂度的局部成分鲁棒估计。 

4.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述多个时域特征参数包括峭度、峰值、裕度、波形、脉冲和偏态。 

5.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述计算处理器对重构的小波包系数进行能量矩计算，包括： 

利用公式求出离散频带的能量矩数值，其中A_ij为小波包重构系数，Δt为采样周期，i为采样点，j为系数序号，n为采样点总数； 

提取归一化的能量矩特征向量，包括：构造向量P=[E₀,E₁,E₂,...,E_m]，并根据公式 将其归一化，W为频域特征矩阵。 

6.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述计算处理器将时域矩阵和频域矩阵融合为多维特征矩阵，包括：将时域-频域特征进行融合，融合矩阵为 其中n为测试样本数。 

7.根据权利要求书1所述的滚动轴承故障诊断方法，其特征在于，相关系数组成的相关系数矩阵表示为：求出所有特征的相关系数，形成相关系数矩阵。m、n为互不相等的类别代码，v为特征总数。 

8.根据权利要求书7所述的滚动轴承故障诊断方法，其特征在于，相关系数矩阵通过硬阈值转化为布尔矩阵，布尔矩阵的每一列是否为全零列，是判断该特征是否冗余的标准。 

9.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述多维特征指标距即为多维特征内各个特征参量与均值的欧氏距离。 

10.根据权利要求9所述的滚动轴承故障诊断方法，其特征在于，所述欧氏距离的权值λ为特征向量对应的相关系数的占空比。