[发明专利]一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法

说明书

本发明公开了一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法，采用局部均值分解方法对滚动轴承的故障信号进行分解，得到PF分量集合，求PF分量集合的信噪比的平均值，判断信噪比的平均值是否满足低信噪比条件，若满足，采用极大极小阈值噪声估计方法估计噪声信号；若不满足，采用局部重构方法估计噪声信号，采用局部均值分解方法对含噪的估计信号进行分解，完成故障信号的提取，对提取的故障信号经过傅里叶变换得到功率谱，将功率谱与滚动轴承故障特征频率进行对比，检测轴承是否存在故障以及故障类型，本发明克服了现有方法只能对强噪声进行噪声估计的缺点，鲁棒性好，大大降低了对硬件采样速率的要求，有较强的实用性。

技术领域

本发明涉及一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法，属于故障诊断领域。

背景技术

滚动轴承故障若没有及时发现并采取控制措施，将可能引起整个旋转机械失效。滚动轴承的故障诊断可以为维修决策提供支持，帮助预防机械失效。基于振动的轴承故障诊断方法，假设滚动体经过损伤位置时会造成冲击响应，该响应的频率为滚动轴承的特征故障频率。由于损伤滚动体在进入承载区和离开承载区时造成的冲击幅值会被调制，因此滚动体损伤通常比外环损伤更难检测。

很多种振动信号处理方法被用于故障诊断领域，如傅里叶变换、短时傅里叶变换、经验模式分解、小波分析、调制边带双谱等。这些方法被用于从振动信号中提取数值特征，这些数值特征可以作为模式识别模型的输入，用于实现智能故障诊断。为了增加所提取特征的可分离性，可以使用信号预处理方法提高原始采样振动信号的信噪比。时域同步平均(TSA)是一种广为人知的提高信号信噪比的信号预处理方法。该方法将齿轮振动信号划分为一系列信号段，信号段长度等于目标信号的周期的整数倍；然后通过对分离出的信号段求平均来降低随机噪声。定轴齿轮的故障特征频率通常是轴转速的Z倍，其中Z是齿轮齿数，因此TSA可以成功的用于定轴齿轮的故障诊断。相比之下，行星轮系的故障特征频率通常不是轴转频的整数倍，因此TSA不能直接用于行星轮系。P.D.McFadden为行星轮系提出了一种改进的TSA，用于分离对应于太阳轮和行星轮的振动信号。这种改进的TSA被称作振动分离。行星轮系振动分离方法根据齿的通过时序，提取出对应于给定行星轮或太阳轮旋转一圈的信号段。轴承与行星轮类似，内环对应于太阳轮，滚动体对应于行星轮，外环对应于齿圈。但是轴承与行星轮系不同的是，轴承中没有齿，无法根据啮合时序来定位不用运动部件对应的信号段。

因此，如何能够提高损伤信号的信噪比，识别出损伤滚动体，以提高对滚动体损伤的故障诊断能力，成为本领域技术人员亟需解决的问题。

发明内容

本发明的目的是提供一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法，主要适用于各种旋转机械滚动轴承的故障诊断采用极大极小阈值和局部重构方法对滚动轴承的振动信号进行分析。

本发明的技术方案是：一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法，包括如下步骤：

Step 1：采用局部均值分解方法对滚动轴承的故障信号进行分解，分解后得到一组待处理的PF分量集合和一个残差，设PF分量集合中有M个分量，然后求PF分量集合中的前M/2个PF分量的信噪比的平均值；

Step 2：判断Step 1求出的信噪比的平均值是否满足低信噪比条件，若满足，则采用极大极小阈值噪声估计方法估计噪声信号；若不满足，则采用局部重构方法估计噪声信号；

Step3：将Step 2得到的噪声估计信号与原PF分量中的不含噪信号结合，得到含噪的估计信号，然后采用局部均值分解方法对含噪的估计信号进行分解，再次得到PF分量和残差，计算er，并判断er与ε的大小，erε时，返回Step 2重新估计噪声信号，erε时，计算估计PF平均分量和估计平均残差并输出这两个值，即完成了故障信号的提取；