[发明专利]一种滚动轴承故障诊断方法及系统

说明书

本发明公开了一种滚动轴承故障诊断方法及系统。本发明的诊断方法通过采用短时能量边界检测方法对滚动轴承振动信号的Fourier谱进行自适应划分，实现了自适应地确定频域区间的边界，克服了经验小波变换中因频域划分不理想及模态分量个数设置不当影响分解效果的技术缺陷，提高了故障诊断的精度；同时选取包络谱显著性指数最大的调幅调频模态分量进行解调，获得最优解调包络谱，确保选用的模态分量包含丰富的故障信息，进一步提高了故障诊断的精度。

技术领域

本发明涉及设备维护领域，特别涉及一种滚动轴承故障诊断方法及系统。

背景技术

风电装备由于长期受风沙雨雪、极端温度、强沙尘、台风等恶劣环境的影响，且在复杂交变载荷作用下变工况全天候运行，使得风电机组的动力行为复杂，极易发生故障。据统计，风电机组的故障中约有30％的情况由滚动轴承引起，滚动轴承的好坏对机械设备工作状况有很大影响，因此，在故障发生的早期对滚动轴承进行及时、准确的故障诊断具有重要意义，已成为当前工业界和学术研究的重要课题之一。

经验小波变换(简称EWT)是Gilles等于2013年提出的全新非平稳信号处理方法。该方法继承了EMD和小波分析方法各自的优点，通过提取频域极大值点对信号的频谱进行自适应分割来分离不同的模态，然后构造恰当的正交小波滤波器组以提取具有紧支撑Fourier谱的AM-FM成分。该方法具有完备的理论基础，同时计算量小且复杂度低，因此受到广大研究者的青睐，并被应用于故障诊断中。

但经验小波变换方法在滚动轴承故障特征提取时，依然存在模态分量个数预设不当以及频域划分不理想的问题，导致不能很好地诊断滚动轴承的故障。

发明内容

本发明的目的是提供一种滚动轴承故障诊断方法及系统，以实现自适应频域划分，避免模态分量个数预设不当以及频域划分不理想的问题，提高诊断滚动轴承故障的精度。

为实现上述目的，本发明提供了如下方案：

本发明提供一种滚动轴承故障诊断方法，所述诊断方法包括如下步骤：

采集滚动轴承振动信号；

对所述滚动轴承振动信号进行离散傅里叶变换，得到滚动轴承振动信号的Fourier谱；

采用短时能量边界检测方法对所述Fourier谱进行自适应划分，得到多个连续区间；

获取每个连续区间的尺度函数、小波函数和经验小波变换的细节系数和逼近系数；

根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；

计算每个所述调幅调频模态分量的包络谱显著性指数；

采用Teager能量算子解调包络谱显著性指数最大的调幅调频模态分量，获得最优解调包络谱；

利用所述最优解调包络谱进行滚动轴承的故障诊断。

可选的，所述采用短时能量边界检测方法对所述Fourier谱进行自适应划分，得到多个连续区间，具体包括：

将所述Fourier谱的频率范围归一化到[0,π]，得到支撑区间；

将所述支撑区间均分为预设个数的子区间；

计算每个子区间的Fourier谱的能量值，获得能量值序列；

获取所述能量值序列的所有极小值点；

将每个所述极小值点所对应的子区间的边界频率的平均值作为新的频域分割区间边界；

根据所述新的频域分割区间边界对所述支撑区间进行区间划分，得到多个连续区间。