[发明专利]基于自适应多尺度AVG-Hat变换的轴承故障信号特征提取方法

说明书

本发明公开了一种基于自适应多尺度AVGH变换的轴承故障信号特征提取方法，其步骤如下：1、根据轴承故障信号的参数指标，确定信号的初始多尺度结构元素个数及最初的结构元素值；2、构建初始多尺度结构元素组成的集合；3、计算轴承故障振动信号在初始多尺度结构元素下对应的形态学AVG‑Hat变换的结果，构建所述结果的集合；4、通过粒子群优化方法，选用滤波后的轴承故障振动信号的排列熵与包络谱稀疏度的比值作为评价指标，自适应确定滤波后初始多尺度结构元素对应的最优权重系数；5、根据权重系数构建最优的多尺度形态学AVG‑Hat滤波器；6、计算滤波器处理轴承故障振动信号的结果，通过信号的包络谱分析，提取信号中的故障特征成分，诊断轴承故障。

技术领域

本发明涉及一种基于自适应多尺度AVG-Hat变换的轴承故障信号特征提取方法，其属于机械故障诊断与信号处理技术领域。

背景技术

实际工程中，滚动轴承故障振动信号是典型的非线性、非平稳信号，信号中故障特征容易被各种背景噪声所掩盖，因此在强背景噪声下诊断轴承故障的难度很大。数学形态学是一种典型的非线性信号处理方法，它通过特定尺度和形状的结构元素对信号时域波形的局部细节进行拟合修整，在提取信号中主要波形特征的同时，能有效消除背景噪声的干扰。采用形态学方法处理故障信号，关键是要构建特定结构的形态学滤波器，传统的形态学滤波器主要由腐蚀、膨胀、开运算和闭运算组合而成，主要用于消除故障信号中背景噪声，提取故障特征的能力较弱。一些新的形态学滤波器如：差值滤波器、梯度滤波器，虽然偏重于信号中故障特征的提取，但是这些滤波器将信号中的负值信息变为正值信息，改变了信号的组成成分，处理结果的鲁棒性较差。

信号波形中特定尺度的结构目标只能由特定尺度的结构元素来对应处理，因此，形态学滤波过程中，故障特征提取和降噪滤波的效果主要取决于结构元素尺度的选择。目前主要采用单一尺度结构元素构建的形态学滤波器对故障信号进行处理，但是，故障振动信号非常复杂，包含多个不同尺度的结构目标，单一尺度形态学滤波往往不能充分地分析信号。相比采用单一尺度，多尺度形态学滤波可以不同尺度的结构元素处理不同尺度大小的结构目标。因此，采用多个不同尺度结构元素对信号进行形态学滤波具有更为出色的抑制噪声和特征提取能力。

通过多尺度形态学滤波器实现滚动轴承故障振动信号的诊断，需要解决两个问题：一是构建一个能够兼顾信号降噪、故障特征提取及保持滤波结果准确性的形态学滤波器；二是自适应确定多尺度形态学滤波器组成中各个尺度结构元素所占的权重系数。而在现有技术中，并没有能很好解决这两个关键问题的相关技术记载。这也成为本领域技术人员亟需解决的问题。

发明内容

本发明所要解决的技术问题是提供了一种能科学合理地分析复杂故障信号组成成分且能兼顾信号降噪性和细节保持性的基于自适应多尺度AVG-Hat变换的轴承故障信号特征提取方法。

本发明采用如下技术方案：

一种基于自适应多尺度AVG-Hat变换的轴承故障信号特征提取方法，其包括如下步骤：

步骤1、根据传感器采集轴承故障信号所设置的各项参数指标，确定分析信号所要使用的初始多尺度结构元素的个数及最初的结构元素值；

步骤2、通过形态学膨胀运算，构建初始多尺度结构元素组成的集合；

步骤3、计算轴承故障振动信号在初始多尺度结构元素下对应的形态学AVG-Hat变换的结果，构建在初始多尺度结构元素下信号形态学AVG-Hat变换的结果的集合；

步骤4、通过粒子群优化方法，选用形态学AVG-Hat滤波器滤波后的轴承故障振动信号的排列熵与包络谱稀疏度的比值作为评价指标，将其作为粒子群优化方法的最优适应度函数值，完成粒子群寻优迭代过程，自适应确定最优多尺度形态学AVG-Hat滤波器滤波后初始多尺度结构元素对应的最优权重系数；

步骤5、根据所述步骤4中不同尺度结构元素对应的权重系数，构建最优的多尺度形态学AVG-Hat滤波器；