[发明专利]一种基于改进经验小波变换的滚动轴承故障诊断方法

说明书

本发明属于机械设备故障诊断领域，具体涉及一种基于改进经验小波变换的滚动轴承故障诊断方法。本发明使用傅里叶变换及反变换计算信号频谱的趋势谱；使用小波折中阈值函数去噪方法，对趋势谱进行优化；根据优化后的趋势谱建立滤波带，使用经验小波变换方法分解振动信号，求得经验模态分量。所述频域特征提取包括：使用峭度‑相关系数准则选取、重构特征分量；计算特征分量的频谱包络；使用最小熵解卷积方法处理包络谱，突出频域特征；匹配频谱分析结果与理论特征频率。本发明能够获得更为理想的信号分解结果，突出滚动轴承的故障特征频率，有效提高了滚动轴承故障诊断的可靠性。

技术领域

本发明属于机械设备故障诊断领域，具体涉及一种基于改进经验小波变换的滚动轴承故 障诊断方法。

背景技术

滚动轴承被广泛应用于不同的旋转机械中，是机械设备中的关键零部件，也是易损部件。 在滚动轴承故障的初期，其振动信号中存在周期性的冲击成分，但由于故障特征微弱，噪声 干扰较多，故障特征不易提取。因此，滚动轴承故障特征的准确、有效提取是相关研究的重 点和难点。

经验小波变换(Empirical wavelet transform，EWT)是一种小波理论背景下的信号分析方 法，其将小波分析的完备理论和经验模态分解(Empirical ModeDecomposition，EMD)的适 应性相结合，解决了EMD背景下的模态混叠、虚假分量等问题，具有较高的运算效率。机 械设备的故障诊断是EWT的一个主要应用方面，EWT的相对优势在应用中得到了体现。

在EWT的应用与研究中发现，EWT分解结果理想与否的关键之一是合理划分频谱，而 待分析信号中存在的干扰成分经常导致EWT的频谱划分不合理。基本的EWT方法以相邻极 大值之间的中点确定边界位置，并通过阈值法计算边界数目。这种方法能够根据信号的频域 特性确定边界，但容易受到噪声等干扰项的影响。对于受噪声干扰的信号，其频谱中会出现 额外的极大值，从而导致频谱划分的不合理，进而造成无效分量和模态混叠。

发明内容

本发明要解决的技术问题是针对基本EWT方法存在的不足，以及快速经验小波变换 (FEWT)中使用软阈值函数造成的频谱划分不合理的问题，提出了一种基于折中阈值函数 的改进的快速经验小波变换方法。该方法能够获得更理想的信号分解结果，且能够突出滚动 轴承的故障特征频率，提高了滚动轴承故障诊断的可靠性。

本发明的技术方案是：首先，使用傅里叶变换及反变换计算信号频谱的趋势谱，并使用 小波折中阈值函数去噪方法对趋势谱进行优化；然后，根据优化后的趋势谱建立滤波带，融 合峭度准则和相关系数分量选取原则，完成EWT经验模态分量的重构和特征分量的筛选， 并对重构信号进行最小熵解卷积，进而计算频谱特征频率；最后，通过理论特征频率的匹配， 完成滚动轴承的故障诊断。

以下对本发明作进一步的说明，包括如下步骤。

Step1：对时域信号使用FFT，得到频谱Y(f)；对Y(f)再次使用FFT，得到键函数(KeyFunction)，记为K(f)。

Step2：在K(f)上取一点B，对K(f)的前B个点使用反FFT，得到Y(f)的初步趋势谱T₀₍f)。 趋势谱的复杂程度与B的取值有直接关系，B值越大，趋势谱的复杂程度越高。B值的选取 需要考虑到待分析信号的特性，根据已发表论文(Xu Y,Zhang K,Ma C,et al.AnImproved Empirical Wavelet Transform and Its Applications in Rolling BearingFault Diagnosis[J].Applied Sciences,2018,8(12):2352,1-25.)可知，对于滚动轴承的振动信号，B的一个合理取值范围为 [10,60]。