[发明专利]一种基于时域等效源法的滚动轴承故障声学诊断方法

权利要求书

1.一种基于时域等效源法的滚动轴承故障声学诊断方法，其特征是：利用已知的健康轴承和故障轴承获得轴承故障诊断的声学统计分类模型，再利用所述轴承故障诊断的声学统计分类模型针对目标轴承进行故障诊断；

所述轴承故障诊断的声学统计分类模型是按如下步骤获得：

步骤1.1：分别以健康轴承和故障轴承为样本轴承，在样本轴承的极近场区域内利用传声器进行声压信号采集，分别获得健康轴承和故障轴承在轴承试验台上轴承座中运行时的样本轴承声压信号；

首先，使用传声器分别采集健康和故障两种状态的样本轴承运行时所辐射出的极近场声压信号，再对样本轴承声压信号进行特征提取工作，即可得到训练集，再使用机器学习算法对训练集中样本进行学习，获得轴承故障诊断分类模型；然后，使用传声器阵列在近场采集以待测目标轴承为声源所辐射出的声压信号，再使用时域等效源法重建出目标轴承声源源强；最后，基于重建出的目标轴承声源源强提取特征，获得标签未知的样本，使用该样本结合分类模型进行故障诊断；

步骤1.2：针对步骤1.1中所获取的样本声压信号进行时域统计特征提取，将健康轴承的时域统计特征标注为正类样本，将故障轴承的时域统计特征标注为负类样本，由所有正类样本和负类样本共同构成训练集；

步骤1.3：采用机器学习算法对所述训练集中所有正类样本和负类样本进行学习，获得轴承故障诊断声学统计分类模型；

所述针对目标轴承进行故障诊断是按如下步骤进行；

步骤2.1：以待测轴承为目标轴承，在所述目标轴承的近场区域内呈阵列布置各测点，在各测点上分别设置传声器，形成传声器阵列；针对在轴承试验台上轴承座中运行时的目标轴承，由所述传声器阵列进行声压信号采集，获得各测点上目标轴承声压信号；

步骤2.2：按如下步骤利用步骤2.1中所获得的各测点上目标轴承声压信号采用时域等效源法重建获得目标轴承的源强信号：

在声源面上均匀布置N个单极子等效源，以n表征第n个等效源，即等效源n，n＝1，2，...，N；在所有等效源中存在有与目标轴承声源位置重合的等效源，则传声器m的声压值P_Hm(t)由式(1)所表征：

式(1)中：

t表示测量时间，τ_Hmn表示等效源n对应于传声器m的声源时间；

τ_Hmn＝t-R_Hmn/c，R_Hmn为传声器m与等效源n之间的距离；

q_n(τ_Hmn)为等效源n在τ_Hmn时刻的源强；c为声速；

针对声源时间τ进行采样离散，离散声源时间τ^j由式(2)所表征：

τ^j＝τ⁰+j·Δτ，j＝1，2，…J (2)

式(2)中：

j为声源时间步，τ⁰为初始声源时间；

Δτ为离散声源时间步长，J为离散声源时间点个数；

为实现声场重建，引入插值函数Φ^j(τ)，则等效源n在τ时刻的源强时间函数q_n(τ)由式(3)所表征：

式(3)中：表示等效源n在时间步j时的源强，插值函数Φ^j(τ)如式(4)所示：

将式(1)中q_n(τ_Hmn)利用式(3)中q_n(τ)进行表达，获得插值的时域等效源方程如式(5)：

若τ_Hmn∈[τ^k-1，τ^k]，则将式(5)表达为式(6)：

τ^k-1是小于τ_Hmn且与τ_Hmn最近的离散声源时间点；

τ^k是大于τ_Hmn且与τ_Hmn最近的离散声源时间点；

对测量时间t进行离散，则离散测量时间t_i由式(7)所表征：

t_i＝t₀+i·Δt，i＝1，2，...，I (7)

式(7)中：

i为测量时间步，t₀为初始测量时间，Δt为离散测量时间步长，I为离散测量时间点个数；

令：τ⁰＝t₀-R_Hmin/c，Δτ＝Δt，I＝J；

R_Hmin为R_Hmn中最小值，时间步取为i，即测量时间为t_i，则声源时间如式(8)：

由式(5)和式(8)获得式(9)：

依据式(9)获得由式(10)所表征的M个测点在测量时间t_i的声压值

式(10)中：

是由式(11)所表征的M×N的矩阵；

表示所有M个测点在t_i时与所有等效源在τ^j时刻的源强之间的传递矩阵；

Q^j表示所有等效源在τ^j时刻的源强列向量

利用式(10)，从i＝1开始通过奇异值分解和求广义逆矩阵获得各个时间步的等效源强Qⁱ如式(13)：

式(13)中：Qⁱ为N×1的列向量；

在完成各个时间步的等效源强求解时，获得所有N个等效源在所有I个测量时间步的等效源强Q：

式(14)中：

q₁为第1个等效源在所有I个测量时间步下的等效源强；

q₂为第2个等效源在所有I个测量时间步下的等效源强；

q_N为第N个等效源在所有I个测量时间步下的等效源强；

为第n个等效源在第i个测量时间步下的等效源强，其中i＝1，2，...，I，n＝1，2，...，N；

假定N个等效源中第e个等效源与目标轴承声源位置重合，则q_e即为目标轴承的源强；

步骤2.3：针对步骤2.2中所获得的目标轴承处的源强信号进行时域统计特征提取，获得标签未知的目标轴承样本；

步骤2.4：利用所述轴承故障诊断声学统计分类模型针对所述标签未知的目标轴承样本进行分类诊断，实现轴承故障诊断。