[发明专利]滚动轴承故障特征提取与运行状态监测方法

说明书

本发明公开了一种滚动轴承故障特征提取与运行状态监测方法，采用TQWT方法对第n次采样获得的待分析信号进行分解，得到细节信号；从细节信号中选择峭度值最大的一个进行包络谱分析，提取包络谱最大峰值所在频率；根据包络谱最大峰值所在频率计算MOMEDA方法的解卷积周期T_n后，从n个解卷积周期中找出互不相等的m个解卷积周期；并依次设置MOMEDA方法的解卷积周期，一一对应计算获得各包络谱的故障特征比值，若包络谱的故障特征比值超出阈值，则表明滚动轴承出现故障。本发明采用TQWT方法和MOMEDA方法相结合，实现滚动轴承故障特征的精确提取，通过计算解卷积输出信号包络谱的故障特征比实现滚动轴承运行状态的有效监测。

技术领域

本发明涉及机械故障诊断与监测技术领域，更具体地说是涉及一种滚动轴承故障特征提取与运行状态监测方法及其实现装置。

背景技术

滚动轴承是各种旋转机械中应用最广泛的一种关键零部件，故障发生概率高、容易损坏，它的运行状态直接影响整台机器的性能。因此，准确有效地提取滚动轴承故障特征并对其状态进行监测对于避免严重故障发生、减少重大经济损失具有重要意义。

近年来，以小波变换(Wavelet Transform，WT；包括连续小波变换CWT和二进制离散小波变换DWT)(Yan.Ruqiang,Gao.RobertX,Chen.Xuefeng.Wavelets for faultdiagnosis of rotary machines:A review with applications[J].Signal Processing,2014,96:Part A:1-15)、最小熵解卷积(Minimum Entropy Deconvolution，MED)(R.AWiggins.Minimum entropy deconvolution[J].Geoexploration,1978,16(1–2):21–35)、最大相关峭度解卷积(Maximum correlated Kurtosis deconvolution，MCKD)(G.L.McDonald,QingZhao,Ming J Zuo.Maximum correlated Kurtosis deconvolutionand application on gear tooth chip fault detection[J].Mechanical Systems andSignal Processing,2012,33:237–255.)为代表的先进信号处理方法在滚动轴承故障特征提取与状态监测领域得到了广泛应用。但是，CWT运算量较大、费时；DWT存在频率混叠、缺乏平移不变性、品质因子恒定且较低、分辨率不高等缺陷；除此之外，在实际应用中缺乏采样信号先验知识的情况下，小波变换中选取小波基函数和确定分解层数较为困难；上述缺点使得小波变换难以取得较好的工程应用。MED在逆滤波器长度较大时只能提取单一脉冲甚至会产生虚假脉冲；MCKD虽克服了MED的上述缺点，实现提取连续周期脉冲，但其自适应性较差，在故障冲击周期非整数时需要重采样，这无疑增加了MCKD的运算量；除此之外MED和MCKD是通过迭代寻优求解逆滤波器参数，最终得到的逆滤波器参数是迭代过程中较“好”的一组参数，但不是最优的。MED和MCKD的上述缺点使其在滚动轴承故障特征提取与状态监测中的应用难以尽如人意。

可调品质因子Q小波变换(tunable Q-factor wavelet transform，TQWT)克服了传统小波变换恒品质因子的劣势，其利用快速傅里叶变换(FFT)通过迭代双通道滤波器组实现信号的分解与重构，具有完全重构性和完备性。相对于CWT和DWT，其计算效率更高、品质因子持续可调；TQWT可以不依赖具体的小波基函数，通过设置品质因子Q和冗余因子r生成的小波基函数库中所有小波基函数都具有相同的品质因子，避免了选取小波基函数和确定分解层数的困难。采用TQWT可简单快速高效地对信号进行分解，便于工程应用。但是，仅仅通过TQWT对信号进行分解难以较好地提取故障特征，实现滚动轴承状态监测。