[发明专利]利用粒子滤波与谱峭度的滚动轴承故障诊断方法

说明书

技术领域

本发明涉及一种利用粒子滤波与谱峭度的滚动轴承故障诊断方法，涉及粒子滤波降噪处理以及谱峭度计算。

背景技术

滚动轴承是机械设备尤其是旋转机械中重要的零部件之一，但是其寿命的随机性较大，容易损坏，目前还无法准确预测其寿命的长短。近年来，科技和工业生产都在快速的发展，机械设备逐渐向高速化、大型化和自动化发展，这在提高生产力的同时对设备的安全维护也提出了更高的要求，在某一环节出现一个微小的问题都将造成不可挽回的巨额损失。鉴于滚动轴承在机械设备中的地位，可以得出滚动轴承能否正常运行工作关系着机械设备乃至生产线的正常运转，因而掌握滚动轴承运行的工作状态以及故障的形成和发展，是目前机械故障诊断领域中所研究的重要课题之一。

根据故障诊断技术机理的不同，诊断滚动轴承故障的常用方法有振动分析法、噪声分析法、油样分析法、温度分析法、油膜电阻法、声发射诊断等。这些分析方法中，振动分析法是运用最广泛的一种方法。振动信号包含丰富的设备异常或故障的信息，通过对振动信号的实时在线监测和分析，可以判断机械系统及其部件是否正常运行，并以此确定机械故障产生的原因，判断故障产生的具体部位和损伤程度。较常用的振动诊断方法有倒频谱分析、特征参数分析法、冲击脉冲法、包络分析法、小波分析等。虽然诊断方法很多，但是对早期的微弱故障诊断仍然是一个难题。因为在故障早期，所需频段信号能量非常微弱、特征信号成分极易被噪声和其他频段信号俺没，未经任何处理的原始频段微弱信号中很难提取出有用的特征信号成分，如何提取被淹没在噪声无用频段内的微弱故障特征信号是目前国内外研究焦点。

发明内容

振动信号是典型的非平稳、非线性的时序信号，粒子滤波在解决非线性滤波问题时，随机量不会受到高斯分布的制约，比高斯模型具有更广泛的分布，对非线性特性有很强的建模能力。本发明提供了一种利用粒子滤波与谱峭度的滚动轴承故障诊断方法，解决了普通的快速谱峭度方法难以实现在低信噪比的情况下诊断出轴承故障的问题。

一种利用粒子滤波与谱峭度的滚动轴承故障诊断方法，具体过程如下：

粒子滤波是以状态空间方程为主对信号滤波，所以首先要建立轴承振动信号的状态空间方程。对于一个非线性、非高斯系统，状态空间模型的一般表达式为：

其中，v_k和n_k分别是过程噪声和观测噪声，并且都是相互独立的，协方差分别是Q_k和R_k的零均值噪声序列，f和h为状态转移方程和观测方程。

众所周知，轴承振动信号是典型的非线性、非高斯时间序列。所以用AR时序模型作为状态方程，模型的残差方差即为过程噪声。提取原始信号的背景噪声作为观测噪声，将其与状态方程加载一起作为观测方程。综上所述，振动信号的状态空间表达式可以写为：

式中，p为AR模型阶数，a_t(t)是模型参数序列，为模型残差方差，即过程噪声，为信号背景噪声，具体获得方法为：用小波分解函数对采集的振动信号进行多尺度分解,得到小波变换系数。再设定合适的阈值,将大于阈值的小波系数置为零,小于阈值的小波系数保留下来。对经过处理的小波系数进行小波重构,就得到所需的噪声信号，即观测噪声。e_t和n_t都是服从N～(0,1)的标准正太分布。模型参数估计方法为Yule-Walker法，模型定界准则是AIC准则。

粒子滤波的本质是利用蒙特卡罗积分法求解贝叶斯积分运算，它的关键是核心粒子的权值大小要能不断被修正和调整，最后获得精确的估计值，下文将标准粒子滤波的具体流程。

首先用一组随机粒子和这些粒子的权值大小来近似表达后验概率密度函数p(x_k|z_1:k)：

式中，δ(·)是狄拉克函数，z_1:k是观测量。如果这些粒子是通过真实概率密度函数p(x_k|z_1:k)获得，那么式(3)可写为：

然而，在很多情况下获得真实概率密度函数粒子是非常困难的，所以就利用重要性概率函数q(x_k|z_1:k)获取粒子。假设p(x_k|z_1:k)与一个分析函数π(x_k|z_1:k)是线性关系，则是(3)中的权值大小可以通过下式计算：

假设重要性函数可以分解为：