[发明专利]一种旋转机械转轴裂纹故障诊断方法

说明书

技术领域

本发明涉及工业旋转机械故障诊断技术领域，具体涉及一种旋转机械转轴裂纹故障诊断方法。

背景技术

近几十年来，旋转机械故障诊断已经得到大量来自工业和学术界的关注。在工业生产和制造过程中，旋转机械被广泛应用于加工生产过程中，替代人工劳动力更加高效地以低成本方式创造工业价值。安全高效的加工制造过程取决于旋转机械的良好运行状态，在旋转部件高速、重负载的运行过程中，转轴部件一旦发生损坏，会直接或间接造成生产性能退化，以及对其他旋转部件造成损害，更严重的故障事件甚至可能会对一线生产工作人员造成人身伤害。因此，旋转机械故障诊断在工业生产活动中扮演着不可或缺的重要角色，通过及时、智能的故障诊断技术，能够在线预测并监测工业设备的实时工作状态，从而能够提供有效的修缮或更换部件的决策，以帮助管理员实时监测机械运行性能，为企业降低不必要的经济损失，以及保障一线工人安全的作业环境。

近几年，基于小波分析的机械旋转轴故障诊断已经引起了国内外学者专家的关注。在此类故障诊断方法中，小波基函数，分解层数，和小波系数多数是根据学者的经验选择。此外，使用现成的小波基函数对实际生产过程中产生的非线性非稳定性振动信号，可能会出现能量泄露和不能完全捕获信号特征的现象。因此，基于实际情况，使用优化后的小波基函数，结合高效的特征选取和分类方法对旋转轴进行故障诊断，以确保更加准确的对故障进行监测和分类，已经引起了研究学者的关注。

针对当前研究的基于小波分析的旋转轴故障诊断课题，国内外研究学者提出了多种故障诊断方法，相关文献如下：

1.2012年Gu等人在《Evaluation of the use of envelope analysis and DWT on AE signals generated from degrading shafts》中提出使用基于离散小波分解的包络分析方法分析采集于退化的旋转轴的声音信号。该方法中包含几个重要的故障诊断分析步骤：1)使用离散小波分解和Hilbert黄分解进行信号分解。在离散小波分解中，小波基：Daubechies 8,分解层数1:5被应用于此方法。2)使用四个统计信号特征值抽取故障特征，分别为：峰值，均值，均方根值和预测熵。此方法中，并未详细分析不同故障特征状态下，用于提取信号差异的特征值的变化趋势和差别。且，在该方法中，没有使用机器学习进行故障特征分类，没有验证提出的基于信号的故障诊断方法的故障故障预测和分类的有效性和准确性。

2.2012年Bin等人在《Early fault diagnosis of rotating machinery based on wavelet packets–Empirical mode decomposition feature extraction and neural network》中提出联合使用小波包分解和经验模态分解方法对信号进行信号分析。在此方法中，小波包函数用于去噪，Daubechies 8被选取为基函数，小波节点：node(4,3)选取为降噪后最能代表旋转轴震动信号的小波系数。之后该系数被用于经验模态分解。2)使用震动信号的频谱能量作为特征提取。3)使用人工神经网络对震动信号进行故障分类。在该方法中，不同的故障震动信号主要采集于旋转机械的发动机，并未详细对旋转轴的故障诊断进行分析和分类。且，在该方法中，用于Hilbert黄分解的小波包分解系数为手动选取，并未涉及小波基函数的优化过程。

3.2016年，Gomez等人在《Analysis of the influence of crack location for diagnosis in rotating shafts based on 3x energy》中提出使用基于3倍谐波频谱特征进行小波包分解从而分析旋转轴的裂纹故障深度及增长趋势。在此方法中，1)小波包分解用于分析震动信号，提取振动信号3倍频谱特征信号。选取的小波基函数和分解层数为Daubechies 8,level 9。2)信号分解后，使用均值和均方根特征抽取裂纹故障特征。在该方法中，小波包分解的分解层数和系数为手动选取，且并未涉及小波基函数的优化过程。该方法虽详细分析了时间域故障特征值在不同故障程度下的变化趋势，然而并没有使用机器学习方法验证该方法用于故障预测和分类中的准确性。

发明内容