[发明专利]一种滚动轴承故障检测方法及系统

说明书

本发明涉及一种滚动轴承故障检测方法及系统。该方法包括获取待检测的滚动轴承的振动信号；对所述振动信号进行傅里叶变换确定离散幅值谱；利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分，得到多个连续区间；并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率；将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数，并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解，得到多个模式分量；利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测。本发明提高了滚动轴承故障检测的准确性。

技术领域

本发明涉及设备维护领域，特别是涉及一种滚动轴承故障检测方法及系统。

背景技术

滚动轴承作为重要的支撑部件已广泛用于各种大型复杂旋转机械。但是，由于这些设备通常在恶劣环境和复杂工况下运行，滚动轴承不可避免地产生各种局部损伤。如果未能及时发现，不仅造成经济损失，甚至可能造成人员伤亡。对于滚动轴承而言，一旦某个部件(如内圈，外圈)出现损坏，由于缺陷表面与正常表面之间的撞击会产生一个冲击，而在旋转运动的作用下，会按照一定的周期产生一个冲击序列。因此，识别和提取振动信号中的周期脉冲对于检测滚动轴承故障至关重要。如何确定合适的中心频率和带宽来构造带通滤波器以提取振动信号中的周期脉冲一直是滚动轴承故障诊断技术的研究重点。

自适应信号分解方法可以根据信号的固有特性自动将其分解为多个模式分量，自适应确定每种模式的带宽和中心频率。因此，自适应信号分解方法为滚动轴承故障信号分析提供了有力的工具，并得到了快速的发展和应用。变分模态分解作为一种非递归式的自适应信号分解方法，可将输入信号同时分解为指定数量的模式分量，其性能优于经验模式分解。但是，变分模态分解算法性能高度依赖于输入参数，即模式数量和每个模式的初始中心频率。如果参数设置不当，会导致滚动轴承振动信号的过分解或欠分解，从而影响轴承故障特征的提取精度。

发明内容

本发明的目的是提供一种滚动轴承故障检测方法及系统，提高滚动轴承故障检测的准确性。

为实现上述目的，本发明提供了如下方案：

一种滚动轴承故障检测方法，包括：

获取待检测的滚动轴承的振动信号；

对所述振动信号进行傅里叶变换确定离散幅值谱；

利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分，得到多个连续区间；并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率；

将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数，并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解，得到多个模式分量；所述输入参数包括模式的数量和每个模式的初始中心频率；

利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测。

可选的，所述对所述振动信号进行傅里叶变换确定离散幅值谱，具体包括：

利用公式对所述振动信号进行傅里叶变换；

利用公式确定离散幅值谱；

其中，为离散的振动信号x(n)的离散傅里叶变换结果，X(k)为离散幅值谱，N为离散的振动信号x(n)的长度，n为离散的振动信号的序号，和k均为正整数。

可选的，所述利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分，得到多个连续区间，具体包括：

确定所述离散幅值谱的所有局部极大值及其坐标，并利用三次样条插值确定所述离散幅值谱的谱包络；

将长度为(W_d-1)/2的零值序列分别添加到所述谱包络的首尾两端，构成长度为N/2+W_d-1的序列；