[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

说明书

本发明公开了一种基于时域等效源法的滚动轴承故障声学诊断方法，首先利用传声器分别采集健康和故障的样本轴承运行时所辐射出的极近场声压信号，针对样本轴承的声压信号进行特征提取获得训练集，通过机器学习算法对训练集进行学习获得分类模型；然后利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，使用时域等效源法重建出目标轴承声源源强；最后基于重建的目标轴承声源源强提取特征，得到标签未知的样本后使用分类模型进行故障诊断。本发明利用声信号进行故障诊断，具有非接触式测量的优势，采用时域等效源法重建声源源强，能够消除干扰，突出故障特征，提高故障诊断的分类精度。

技术领域

本发明属于轴承故障诊断领域，尤其涉及一种非接触式的滚动轴承故障声学诊断方法。

背景技术

机械装备的安全运行是保证生产制造、交通运输等行业正常运作的重要基石，滚动轴承作为旋转机械中最基础且最易发生故障的零部件之一，研究其故障诊断技术具有重要意义。现有的滚动轴承故障诊断技术大多采用振动信号进行故障诊断，但是，当遇到高温、潮湿、有腐蚀性或不便于安装传感器的设备时，难以通过安装振动传感器来测量振动信号，因此基于振动信号的故障诊断技术在此时有了局限性。

机械噪声会随着振动特性一起发生变化，因此，声信号中也蕴含了机械设备运行的状态信息，理论上也可以用于故障诊断，并且声学测量是非接触式的测量方式，可以避免接触式测量带来的诸多问题。传统基于声信号故障诊断方法的主要思路是采用一两支传声器测量机器噪声信号，对传声器所测得的原始声信号进行复杂的映射或变换，以求降低噪声和冗余信息，达到突出故障特征的目的。然而，声信号在传播过程中存在干涉、衍射等现象，同时，在存在其它干扰声源的情况下都会造成信噪比低的问题，这使得基于声信号故障诊断的使用条件较为苛刻，实施难度大，适用范围较窄。

发明内容

本发明针对上述现有技术不足，提供一种基于时域等效源法的滚动轴承故障声学诊断方法，利用声信号进行故障诊断，以获得信号易于测取，以及非接触式测量的优势。同时，通过使用时域等效源法重建出源强信号，消除其它方向声源以及背景干扰的影响，突出故障特征，显著提高了故障诊断的分类精度。

本发明解决技术问题所采用的技术方案是：

本发明基于时域等效源法的滚动轴承故障声学诊断方法的特点是：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；