[发明专利]一种轴承故障检测方法及系统

说明书

本发明公开了一种轴承故障检测方法及系统，该方法包括：获取N个通道的振动信号，N≥2；以具有不同窗长值的K个窗函数分别对每个通道的振动信号进行短时傅里叶变换，得到N*K组二维时频分布信号，K≥2；将每组二维时频分布信号转换为一维数据，形成N*K维矩阵；对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，降低矩阵维度，得到低维数据；将低维数据的第一维数据转换为有效时频分布信号，根据有效时频分布信号分析故障瞬态脉冲特征。通过对轴承多通道振动信号进行不同窗长参数下的短时傅里叶变换构造高维时频分布信号，然后采用流形学习提取低维时频流形，可以去除时频域中的噪声，凸显故障瞬态脉冲成分，从而有效检测出轴承故障。

技术领域

本发明属于机械动力传输领域，更具体地，涉及一种轴承故障检测方法及系统。

背景技术

轴承在机械系统的动力传输中起着关键作用，其健康状态关系到整个设备的运行性能与安全。由于长期运行在复杂工况下，轴承容易受到损坏，造成设备故障，引起重大经济损失。因此，对轴承进行准确、及时的故障诊断对于机械系统的可靠性具有重要意义。由于振动信号对机械故障敏感，当轴承发生故障时，振动信号会激发脉冲响应，呈现非平稳性，所以振动监测技术已广泛应用于机械故障诊断。

然而，复杂的工作环境也可能会引入大量的噪声，污染故障相关分量，使故障特征显得微弱而不易被识别。目前常用短时傅里叶变换(short-time Fourier transform，以下简称STFT)形成时频分布信号(time-frequency distribution,以下简称TFD)。STFT的基本思想是：利用定长窗函数截取时域信号，对其进行傅里叶变换，得到较短时间段内的局部频谱，通过窗函数沿着整个时间轴的平移，原始信号在不同时间点的频率信息最终显示在同一个时频面上，将轴承的故障瞬态脉冲信息反映在时频面上以提取故障特征。然而时频面上的故障瞬态脉冲信息依然会受到一定噪声的干扰，需结合流形学习进行降噪，其具体过程为通过单通道振动传感器采集单通道轴承振动信号，采用相空间重构方法把一维的单通道信号转化为高维信号，利用STFT计算高维信号中每一维数据的TFD，对高维TFD进行流形学习以挖掘TFD中故障瞬态脉冲的内在流形结构。虽然上述方法能够在一定程度上去除噪声的影响，但当噪声复杂多变时，仍难以提取到故障信号，故障检测的精度不高。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种轴承故障检测方法及系统，其目的在于提高轴承故障检测的准确性。

为实现上述目的，按照本发明的一个方面，提供了一种轴承故障检测方法，其包括：

获取N个通道的振动信号，N≥2；

以具有不同窗长值的K个窗函数分别对每个通道的振动信号进行短时傅里叶变换，得到N*K组二维时频分布信号，K≥2；

将每组二维时频分布信号转换为一维数据，形成N*K维矩阵；

对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，降低矩阵维度，得到低维数据；

将低维数据的第一维数据转换为有效时频分布信号，根据有效时频分布信号分析故障瞬态脉冲特征。

优选地，所述窗函数为Hamming窗、Hanning窗、Kaiser窗中的任一种。

优选地，所述窗函数的窗长度满足使对应的时频分布信号中能够观察到故障瞬态脉冲信息。

优选地，所述窗函数的窗长值取值范围为[50,80]。

优选地，所述流形学习为局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法、局部保留投影算法中的任一种。

优选地，采用给定指标确定流形学习的近邻点个数，所述给定指标为Rényi熵、信息熵、峭度、光滑指数、基尼指数中的任一种。