[发明专利]一种滚动轴承性能退化评估装置及方法

权利要求书

1.一种滚动轴承性能退化评估方法，其特征在于，所述方法包括：数据采集、特征提取、性能评估和对评估结果的验证；

将轴承振动信号进行小波包分解后，分别对最后一层各节点的小波包分解系数进行重构，再对得到的小波包重构系数进行奇异值分解，进而求取最后一层各节点的小波包奇异谱熵；

将小波包奇异谱熵作为SVDD评估模块的输入特征矢量，通过输入特征矢量建立自适应SVDD模型并得到性能退化指标DI；

采用基于EMD的Hilbert包络解调方法对性能退化评估结果进行验证；

所述特征提取包括以下步骤：

(1)小波包分解，根据滚动轴承的振动信号波形，选用db5小波基作为小波基函数对采集到的振动信号进行4层小波包分解，得到最后一层各节点的小波包分解系数；

(2)对分解系数进行重构，将最后一层各节点的小波包分解系数进行重构；

(3)对重构系数进行奇异值分解，对最后一层各节点的小波包重构系数进行奇异值分解，则每个样本均可得到16个奇异值r₁,r₂,…,r₁₆，并对这些奇异值进行归一化，

(4)计算小波包奇异谱熵，由信息熵的定义，振动信号的小波包奇异谱熵可表示为：S_i＝-g_ilog₂g_i；则每个时刻的振动信号均包含16个小波包奇异谱熵向量；

所述性能评估包括以下具体步骤：

(1)将正常状态下的特征样本作为SVDD模型训练的输入矢量，得到包络正常样本特征空间的超球体，并求出该超球体的半径R；

(2)输入新的特征样本a，计算该特征样本到SVDD超球体中心d的广义距离R_a；

(3)比较R_a与R的大小，若R_a-R≤0，则执行步骤(4)，若R_a-R>0，则表明SVDD模型训练结束，执行步骤(5)；

(4)将特征样本a与正常状态下的特征样本一起作为SVDD模型训练的输入特征矢量，继续按步骤(1)－(3)更新SVDD模型；

(5)将新特征样本代入自适应SVDD模型中进行评估，计算新特征样本到自适应SVDD超球体中心d的广义距离R_b，并求得性能退化指标DI；

所述对评估结果进行验证，包括以下步骤：

(1)对滚动轴承早期故障时刻和失效时刻的振动信号进行EMD分解，得到有限个本征模函数IMF；

(2)分别对各个IMF分量与原始信号进行相关分析；

(3)选取与原始信号相关性高的前两个IMF分量进行叠加重构，得到重构信号；

(4)将重构信号利用Hilbert变换得到其信号包络；

(5)对信号包络进行快速傅立叶变换，得到重构信号的包络谱，根据包络谱中可区分的谱线频率与故障特征频率之间的关系验证评估结果的正确性。