[发明专利]一种变转速工况下轴承故障特征提取的广义自相关方法

说明书

本发明公开了一种在变转速工况下轴承故障特征提取的广义自相关方法，并结合周期估计方法，实现累计循环和强背景噪声之间的平衡，用于变转速工况下的轴承故障诊断。本发明方法包括：采用阶次跟踪的处理方法，利用瞬时相位信息在阶域中对原始振动信号重采样，大大削弱调频现象；采用广义自相关的方法，考虑多个相邻片段的相关性，进一步削弱背景噪声；在原有NRC方法考虑所有信号片段之间相关性而无法消除累计周期扰动影响的基础上只考虑若干相邻信号片段的相关性，控制周期扰动的累计。该方法与传统方法相比，同时克服了相互制约的信号特征带来的困难，效果较好。

技术领域

本发明属于信号处理领域，具体涉及一种变转速工况下轴承故 障特征提取的广义自相关方法。

背景技术

滚动轴承是旋转机械中常用的关键部件，尽早准确检测滚动轴 承具有重要意义。目前，机械设备的故障诊断与状态检测等领域信号 的周期检测具有广泛应用，由于检测环境不可避免存在大量噪声，所 以强噪声背景下的周期检测一直是信号检测的难题。传统的时域方法 如变异性法和抗噪声相关法(NRC)可以针对强噪声背景周期检测，但 仅适用于严格周期信号，因此不能处理被大量累积的循环扰动污染的 信号。

最常见的周期检测方法是直接使用传统的自相关函数(ACF)， ACFR只考虑了两个相邻的信号块，因此在ACF方法中不会累积循 环扰动。然而，由于强背景噪声的存在，ACF从观测信号中变换出 来的信号仍然被背景噪声所掩盖，因此无法压制强背景噪声。

发明内容

针对上述技术问题，本发明提出了一种变转速工况下轴承故障 特征提取的广义自相关方法。本发明能够在强背景噪声压制与严格周 期信号两个相互约束的特征之间实现平衡。通过仿真和实例验证了GeACF方法优于传统方法的性能。

本发明的技术方案为：

一种变转速工况下轴承故障特征提取的广义自相关方法，包括 以下步骤：

步骤S1、对未知故障信号与强高斯白噪声信号∈(t)融合， 获得被测阶次跟踪信号被测信号t表示阶 次域，噪声

其中：时间序列表示循环信号的实现，L表示样本总数。

步骤S2、将被测信号进行截取，当L＝mN时，将划分 为

其中：m表示 信号片段数，N表示信号片段的长度，是函数中的自变量。

步骤S3、在原有的自相关函数(ACF)基础上提出了广义自相 关函数(GeACF)：

其中：其中n可以人为 选取，(2≤n≤m)，表示块信号的个数。其中是NRC函数其中n可以人为选取， 2≤n≤m，n表示块信号的个数，和表示第k+i和k+j段 信号值的离散向量表示；

步骤S4、当L＝Mn+N1，N10时，将划分成N表示信号 片段的长度，是函数中的自变量。

其中：

步骤S5、将合成形成新的信号j＝1和 2，m1＝m+1，m2＝m

其中：

提出了广义自相关函数其 中分别为信号信号自相关函数的 权重，且

步骤S6、当L≥2N的信号n＝2时，GeACF即为ACF。

其中：

步骤S7、当L≥2N的信号GeACF的期望不大于原始信号 的平均能量即

其中：