[发明专利]一种基于MED和倒频谱的滚动轴承早期故障诊断方法

说明书

本发明涉及一种基于MED和倒频谱的滚动轴承早期故障诊断方法，属于机械故障诊断技术领域，其包括：步骤一：利用加速度传感器对滚动轴承设备进行测量，获得振动加速度信号；步骤二：对振动加速度信号进行MED降噪，得到降噪后的信号；步骤三：对MED降噪后的信号进行倒频谱分析，结合实验来提取故障特征。本发明通过采用MED方法对滚动轴承加速度信号进行预处理，在降噪的同时，增强信号的冲击成分，可以使得倒频谱上的故障频率点幅值增大，故障更易识别。

技术领域

本发明属于机械故障诊断技术领域，尤其涉及一种基于MED和倒频谱的滚动轴承早期故障诊断方法。

背景技术

滚动轴承被广泛应用于各种旋转机械中，其缺陷和损伤将直接影响设备稳定运行。滚动轴承常见的故障有内圈故障、外圈故障和滚珠故障等，这些故障会形成周期性冲击成分。转速信号、随机信号和故障信号叠加在一起会形成调制信号的周期成分。倒频谱方法可以分离和提取难以识别的密集调制信号的周期成分，使原来谱图上成簇的边频谱线简化为倒频谱上的单根谱线，从而使频谱中的复杂周期成分变得更清晰易辨，以利于故障诊断。

故障若出现早期局部故障时，冲击成分不明显，且受到随机噪声的干扰，容易被掩盖，导致故障不易识别。单一使用倒频谱方法很难提取故障特征。Wiggins提出了最小熵解卷积方(minimum entropy deconvolution,简称MED)应用于盲解卷积问题处理中,MED最早被应用于地震信号处理，并迅速拓展到其他领域，该方法能够在降噪的同时可将周期冲击信号进行增强。

发明内容

本发明的目的是提供一种基于MED和倒频谱的滚动轴承早期故障诊断方法，用于解决上述问题。

为达到上述目的，本发明采用的技术方案是：一种基于MED和倒频谱的滚动轴承早期故障诊断方法，其包括

步骤一：利用加速度传感器对滚动轴承设备进行测量，获得振动加速度信号；

步骤二：对振动加速度信号进行MED降噪，得到降噪后的信号；

步骤三：对MED降噪后的信号进行倒频谱分析，结合实验来提取故障特征。

进一步的，在所述步骤二中，对加速度信号进行MED降噪的过程步骤如下：

2.1)y(i)表示轴承振动信号，MED的目的是得到一个逆滤波器f(i)，使得经过逆滤波器滤波后的y(i)能够恢复x(i)的各项特征及相关信息，即使熵值最小；

式中，L为逆滤波器f(i)的长度；

2.2)解反褶积：利用逆滤波器f(i)使y(i)恢复原有信号含有的简单特征和相关信息，使熵值最小，即：

2.3)最小熵反褶积的实质是求取逆滤波器f(i)的最优值，使最大，因此，使其一阶导数为零：

联合式(1)可得

式(4)也可表示为：b＝Af (5)

其中，A为振动信号y(i)的L×L自相关矩阵，b表示为：

其中：

2.4)式(5)经迭代可以得到逆滤波器矩阵为：f＝A^-1b。

进一步的，在所述步骤三中，对MED降噪后的信号进行倒频谱分析，倒频谱分析步骤如下：