[发明专利]一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法

说明书

本发明公开了一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法，在轴承附近安装加速度传感器采集轴承振动信号，确定结构元素尺度的初始范围；在每个结构元素尺度处对轴承振动信号进行形态顶帽乘积滤波，获得多个尺度下的形态学滤波结果；计算每个尺度下形态学滤波结果的三阶累计量对角切片和对角切片谱，获得多个尺度下的三阶累计量对角切片和对角切片谱；计算每个尺度下对角切片谱的故障特征比，根据最大故障特征比准则确定最优尺度下的对角切片谱；从最优尺度对角切片谱中提取轴承故障特征信息，实现轴承故障类型的准确判别。本发明简单易行，克服了传统多尺度形态学分析的缺点，能够提高轴承故障诊断精度。

技术领域

本发明属于轴承故障诊断技术领域，具体涉及一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法。

背景技术

滚动轴承作为机械设备的重要关节，在设备运行中会受到交变载荷的作用，随着时间推移，轴承的运行状态必然发生变化，从而影响工业生产。机械设备中的大多数故障与轴承元件的损伤紧密相关。据相关资料统计，在机械设备关键部件中，因轴承损坏而引起的设备故障率高达30％，齿轮箱中约20％的故障源自于轴承的破坏，电机中轴承的损伤率也高达40％。因此，滚动轴承被认为是机械设备中最容易发生损坏的零件之一。开展滚动轴承故障诊断方法的研究对保障设备安全稳定运行具有重要的意义。

在实际工程应用中，由于间隙、摩擦、刚度等非线性因素的影响，采集的轴承振动信号通常表现为非线性、非平稳特点。因此，单纯采用传统的线性平稳方法将难以有效地揭示隐藏在干扰源中的故障征兆，不易获得准确的故障诊断结果。数学形态学是一种非线性非平稳信号处理方法，其计算简单快速，具有坚实的理论基础。单尺度形态学分析在轴承故障信号处理中得到了较好地应用，但单尺度形态学分析不具备多分辨率分析的功能。相比单尺度形态学分析，多尺度形态学分析能够充分地提取不同结构元素尺度上的故障特征信息，但传统多尺度形态学分析主要运用不同尺度下形态学滤波结果的算术平均值作为最终的输出结果，容易引起轴承故障特征信息不突出，检测结果不够精确等缺点。针对上述技术存在的问题，本发明提供了一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法，旨在提高轴承故障诊断的准确性。

发明内容

本发明为了克服传统多尺度形态学分析存在特征提取精度不高的缺点，同时为了具备多尺度形态学分析的多分辨率分析的功能，以及避免以往按人为经验选取结构元素尺度而影响故障诊断结果的问题，提供了一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法。本发明在故障特征提取中具备优良的性能。

为解决上述技术问题，本发明采用的技术方案是：

一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法，包括以下步骤：

步骤1，在轴承附近安装加速度传感器采集轴承振动信号，根据结构元素长度L和尺度λ之间的关系表达式λ＝L-2，确定结构元素尺度的初始范围为1到L-2；

步骤2，在每个结构元素尺度处对轴承振动信号进行形态顶帽乘积滤波，获得多个尺度下的形态学滤波结果；

步骤3，计算每个尺度下形态学滤波结果的三阶累计量对角切片和对角切片谱；

步骤4，计算每个尺度下对角切片谱的故障特征比，根据最大故障特征比准则确定最优尺度下的对角切片谱；

步骤5，从最优尺度对角切片谱中识别是否存在明显的轴承故障特征频率，从而实现轴承故障类型的准确判别。若存在明显的轴承故障特征频率，则认为轴承存在异常；否则，认为轴承正常工作。

作为进一步的优选方案，所述步骤2中在每个结构元素尺度处对轴承振动信号进行形态顶帽乘积滤波，获得多个尺度下的形态学滤波结果，具体采用如下方法：