[发明专利]轴承故障周期自动检测方法和系统

说明书

本发明提供了一种轴承故障周期自动检测方法和系统，包括：通过传感器从故障轴承上收集振动信号；将振动信号进行划分重组，拼合成两段子信号；对每段子信号采用NRC算法处理，加权求和得到EnNRC统计量；构造缩减置信区间；从EnNRC统计量的最高峰开始，向之前的波峰构造波峰差统计量，并构建动态置信区间，检查区间内是否有其他波峰，若存在则从区间内的最高波峰开始下一次假设检验，迭代到区间内不存在其他波峰为止，此时的波峰为算法检测到的故障真实周期。本发明通过迭代假设检验比较存在干扰效应的周期性波峰及其他非周期波峰，逐步消除局部最优的误导效应，提高了周期检测的精度。

技术领域

本发明涉及轴承故障检测技术领域，具体地，涉及一种轴承故障周期自动检测方法和系统。

背景技术

轴承故障检测起源于工业发展初期的恒定工况，且已经积累了一定成果，该领域的研究已相对成熟。传统的检测技术大多基于振动信号的时域、频域等信息，通过提取并分析振动信号的相关特征，与健康状态下产生的振动信号的特征指标对比，分析设备当前的运行状态，判断是否存在潜在故障。

为了克服噪声的掩蔽效应所带来的困难，学者们在时域上设计了一些基准方法。Rabiner等人提出了一种自相关函数(ACF)来提取周期信号的周期波形特征，可以从时域变换信号中直观地识别周期。Huang等人提出了改进版的ACF——加权平均幅度差函数(AMDF)——用于声波基音提取。Variability Method和NRC算法通过多段子信号的相关性计算可以克服强背景噪声对周期信号周期检测的掩蔽效应。如果提供足够长的信号，这些方法下信号的周期性特征将不会被背景噪声所掩盖。基于这些时域上的变换信号，目前已经研究出一些自动估计周期的针对性方法。例如，Martin等人提出了一种使用AMDF周期图谱来检测周期的方法，Antoni等人提出了一种ACF和周期图谱方法结合的混合方法来自动识别周期，称为自动周期法(Autoperiod)。Wang等人还提出了一种正交子空间分解方法，利用经Variability Method变化后的特征信号来识别周期。在中强度背景噪声下，也有一些频域方法用以识别周期，比如周期图(periodogram)。基于Ramanujan和的变换最近也被设计出并用于研究频域信号。为了自动识别噪声信号的周期，一些利用最大似然估计(ML)的统计方法也逐渐兴起。Wise等人提出了一种带有惩罚系数的ML方法，即最大似然基音估计(MLPE)，用于从语音信号中估计基音周期。Ramírez等人提出了一种带正则项的近似最大似然估计方法，用于循环平稳信号的周期估计。这些方法通过定位似然函数的最大峰值来估计周期。

专利文献CN108106838B(申请号：CN201611122045.1)公开了一种机械故障精密诊断的整周期时域回归及报警方法，利用广义共振/共振解调方法和转速跟踪检测方法检测轴承、齿轮等故障的振动、冲击信号，通过自动修正每转跟踪采样点数后，先对原始信号按照分析的故障类型进行整周期截取，消除现场数据长度有限、非整周期采样造成频谱泄露及其与傅里叶变换频率分辨率之矛盾，可大大提高频谱定性的精准度，再对信号进行时域回归处理，其他无关信号成分的能量均不会产生干扰，最后利用级差公式对故障进行定量计算，可提高故障分类定量诊断的精准度。