[发明专利]一种滚动轴承早期故障诊断方法

说明书

本发明属于故障诊断方法领域，并公开了一种滚动轴承早期故障诊断方法，包括：采集到的故障信号预处理；提取预处理后的故障信号特征频率；将提取到的特征频率与已知故障特征频率相比较，识别故障类型。其中，预处理包括两个方面：降噪和减少干扰振动分量；在特征提取步骤中，首先将预处理后的故障信号作分段处理，再将预处理后的分段故障信号与无故障轴承信号作相关性分析，根据互相关系数的大小选取包含故障信息较多的信号段用于频率特征提取。本发明能够提高滚动轴承早期故障诊断的准确性和有效性，为解决滚动轴承早期故障这段提供一种新的途径，可广泛应用于化工、冶金、机械加工、航空等领域的复杂机械系统故障诊断中。

技术领域

本发明属于故障诊断方法领域，更具体地，涉及一种滚动轴承早期故障诊断方法。

背景技术

滚动轴承是旋转机械中的关键部件之一，其被广泛用于化工、冶金、机械加工、航空等重要领域。滚动轴承经常处在高温、高速、重载等恶劣的工作环境中，导致滚动轴承是最易损坏的元件之一。因此，在旋转机械中，轴承故障诊断的时效性和精确性对提高加工效率和安全生产有着至关重要的作用。目前，针对滚动轴承故障诊断的方法有很多，涉及到的领域也很全面。从早期的时域分析、频域分析，到后来的时频域分析以及现在的机器学习领域。在众多故障诊断方法中，都有着各自的缺陷与限制，导致故障诊断技术应用于实际加工生产中的情况很少。一方面，由于很多机器结构紧凑，没有合适的位置安装传感器，导致采集到的故障信号无法满足实验要求，这就给后续的信号处理带来很大麻烦。另一方面，对预处理后的故障信号进行特征提取是一个难题，目前很多方法无法提取有效的特征，导致无法判断出轴承的工作状态，这也给故障诊断带来了不小麻烦。因此，针对滚动轴承的早期故障诊断变得尤为重要。在特征提取方面，频率特征最能反映出滚动轴承的工作状态。

在频率特征提取方面，首先是白噪声的影响，在实际生产加工中，由于背景噪声较大，轴承实际采集到的故障信号会淹没在背景噪声中，采用何种技术降噪、提高信噪比有待解决。采集到的故障信号中的干扰振动分量同样会影响到频率的提取，减小干扰振动分量的影响也是一直存在的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种滚动轴承早期故障诊断方法，能够提高滚动轴承早期故障诊断的准确性和有效性。

为实现上述目的，按照本发明，提供了一种滚动轴承早期故障诊断方法，其特征在于，包括以下步骤：

1)采集到的故障信号预处理：对采集到的滚动轴承故障信号进行小波处理和时域同步平均处理，以降低噪声和减少干扰振动分量；

2)特征提取：对预处理后的故障信号进行分段相关性分析，获得包含故障信息较多的信号段，然后对这些信号段进行共振解调处理来提取特征频率；

3)故障类型判别：将提取到的特征频率与滚动轴承已知的故障特征频率相比较，从而判别出故障类型。

优选地，采集到的故障信号f(t)包括轴承振动分量s₀(t)、干扰振动分量s(t)和噪声分量n(t)，即采集到的故障信号f(t)表示为：

f(t)＝s₀(t)+s(t)+n(t) (1)

步骤1)中进行时域同步平均处理的具体过程如下：

以轴承振动分量s₀(t)的周期T₀的整数倍周期T为截取周期去截取信号f(t)，共截得M段，然后将截取后的各信号段直接相加，得到新的故障信号f(t′)：

其中，t′为新的时间序列，s₀(t′)、s(t′)和n(t′)分别为截取后相加的轴承振动分量、干扰振动分量和噪声分量；

C为干扰振动分量的衰减因子且C＜1,然后再对新的故障信号f(t′)进行平均，得到输出信号h(t′)为：