[发明专利]一种基于最优维数奇异谱分解的滚动轴承故障诊断方法

说明书

本发明公开了一种基于最优维数奇异谱分解的滚动轴承故障诊断方法，包括步骤如下：步骤1,在滚动轴承座附近安装加速度传感器，采集振动信号；步骤2，使用最优维数奇异谱分解算法对采集到的振动信号进行分解，得到若干个具有较明确物理意义的奇异谱分量；步骤3，根据峭度准则挑选包含丰富故障特征信息的奇异谱分量作为主成分分量；步骤4，计算主成分分量的1.5维频域加权能量谱；步骤5，从1.5维频域加权能量谱中观察故障特征频率处是否出现明显的峰值，以此实现滚动轴承故障的准确诊断。本发明简单易行，相比于其他现有技术能够更精确地实现滚动轴承的故障诊断。

技术领域

本发明涉及机械设备中的故障诊断技术领域，具体涉及一种基于最优维数奇异谱分解的滚动轴承故障诊断方法。

背景技术

滚动轴承是大多数旋转机械的关键部件，因其承受负载大且节能效果显著而在各种机械中得到了广泛的应用。然而滚动轴承在使用中常处于重载、高速等恶劣工况，将不可避免地出现各种故障，以致影响到整个机械设备的正常工作。因此及时发现滚动轴承的故障，对于保证机械设备的安全稳定运行具有重要意义。此外，由于机械系统在运行过程中瞬态特性的变化，系统的振动响应中将出现非平稳特性(例如时变频率特性)，因此有时无法使用传统的快速傅立叶提取瞬时频率特性。因此，探索一种有效的故障特征提取与滚动轴承故障检测方法是十分必要的。

机械系统通常同时受到多种复杂的激励，因此振动信号包含许多复杂的子信号分量。一些代表性的时频分析技术，例如小波变换(WT)和经验模态分解(EMD)可以从原始振动数据中分离出具有不同频带的潜在分量。但是，这些方法对于非平稳信号处理具有一些固有的缺陷。例如，WT在低频具有较高的频谱分辨率，但是其分解结果依赖于小波基函数的选择，并且可能导致与故障信号相关的能量泄漏。EMD的分解过程受信号局部特征的限制，因此会出现一些缺陷，例如端效应，模态混叠，过包络和欠包络。

近年来，国外学者提出了一种基于奇异谱分析(SSA)的自适应信号分解方法——奇异谱分解(Singular Spectrum Decomposition,SSD)，它通过经验性准则自适应确定每次SSA过程的嵌入维数，并将信号从高频到低频进行重构。然而奇异谱分解中嵌入维数是按照经验性准则选取的，有可能会导致模态混叠和过分解的情况。此外，奇异谱分解获得的奇异谱分量中或多或少存在一些带内噪声和干扰。因此，需要使用一种技术来消除带内噪声和干扰成分，同时增强故障强度。

发明内容

本发明为实现滚动轴承等部件振动信号的自适应分解与故障特征增强，设计出一种基于最优维数奇异谱分解的滚动轴承故障诊断新方法，旨在实现奇异谱分解算法中每次迭代时嵌入维数的自适应选取，提高奇异谱分解算法的分解效率，改善奇异谱分解算法对信号的处理精度，此外通过1.5维谱和频域加权能量算子协同的思想抑制奇异谱分量中的噪声和谐波干扰，增强故障特征频率。

本发明提出的一种基于最优维数奇异谱分解的滚动轴承故障诊断方法，包括以下步骤：

步骤1：在滚动轴承附近安装加速度传感器，采集振动信号；

步骤2：使用最优维数奇异谱分解算法对采集到的振动信号进行分解，得到若干个具有较明确物理意义的奇异谱分量；

步骤3，根据峭度准则挑选包含丰富故障特征信息的奇异谱分量作为主成分分量；

步骤4，计算主成分分量的1.5维频域加权能量谱；

步骤5，从1.5维频域加权能量谱中观察故障特征频率处是否出现明显的峰值，以此实现滚动轴承故障的准确诊断。

所述步骤2中利用最优嵌入维数奇异谱分解对振动信号进行分解的具体步骤为：

步骤2.1，自适应确定本次迭代分解输入序列v^(j)(n)构建轨迹矩阵时的最优嵌入维数M，其中j为迭代次数；