专利名称：一种变工况下的滚动轴承故障诊断方法
技术领域：
本发明属于滚动轴承的故障诊断技术领域,具体涉及一种基于Hilbert-Huang变换和奇异值分解在变工况下的滚动轴承故障诊断方法。
背景技术：
滚动轴承的作用是支承转动轴及轴上零件，并保持轴的正常工作位置和旋转精度，其特点是使用维护方便、工作可靠、起动性能好、在中等速度下承载能力较高。滚动轴承是机械设备中常用的关键零部件，其工作状态是否正常直接关系到整台机组乃至整条生产线的生产质量和安全。与其他机械零部件相比，滚动轴承有一个突出的特点其寿命离散性大，即在实际工程应用中，有的轴承已大大超过设计寿命而依然完好无损地工作，而有的轴承远未达到设计寿命就出现故障。因而研究滚动轴承的故障检测和诊断技术，对于避免重大事故、减少人力物力损失以及变革维修体质等具有重要的理论研究价值和实际应用意义。在滚动轴承故障检测和诊断领域，由于实际工作中滚动轴承的工况常常发生改变，导致其故障诊断方法中的各参数甚至诊断方法有时也随之改变，而目前现存的诊断方法中，傅里叶变换要求系统是线性的，信号必须为严格周期或是稳定的，这使得其在分析非线性非稳定信号时失去了其物理意义，小波分析尽管体现了在非稳定信号分析上的优势，但小波基的选择和能量泄漏是小波变换的劣势，尤其是在变工况情况下，小波基的选择不得不需要随着工况的改变进行改变，这些方法中存在的局限性使得其很难应对工况改变下的滚动轴承故障诊断。因此，研究一种适合变工况下的滚动轴承故障诊断方法具有重要意义。Hilbert-Huang转换(HHT)方法是黄锷利用近代知名数学家Hilbert的数学理论设计分析非稳定或非线性信号的一种方法，其实质为将信号进行经验模态分解(EMD)，对分解得到的基本模态分量(IMF，各分量包含了原信号不同时间尺度的局部特征信号)分别进行Hilbert变换，从而得到解析信号Hi (t)，可进一步求得瞬时频率和瞬时幅值，用于绘制Hilbert频谱,从而通过Hilbert谱进行相应的谱分析。EMD方法依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，该方法在理论上可以应用于任何类型信号的分解，因而在处理非平稳及非线性数据上，具有非常明显的优势。包络线分析是工程信号分析中较常用的一种方法，在往复机械故障诊断和振动机械信号分析中有很重要的作用。在工程实际中，从设备中检测得到的信号波形有些虽然比较复杂，但其包络线有一定的规律或一定的趋势，在此情况下，利用包络线分析方法可以对该波形高频成分的低频特征或低频率事件作做详细的分析。基于Hilbert-Huang变换在处理非平稳及非线性信号上的明显优势，Hilbert-Huang变换已被用于滚动轴承故障诊断领域。但HHT也存在一些局限，在现有的应用中，HHT往往以Hilbert谱或Hilbert边际谱的最终形式体现,通过对谱图中特征频率处的幅值分析达到对滚动轴承故障类型分类的目的。然而，在实际中滚动轴承的工作状况往往会发生改变，其中滚动轴承转速的改变就会导致滚动轴承特征频率的相应变化，使得Hilbert谱分析在变工况的滚动轴承故障诊断中存在局限性。传统的包络分析法存在如下问题，在进行包络信号谱分析时，一般都采用傅里叶变换方法。但由于傅里叶变换给出的结果是包络信号在频域的统计平均，不能反映信号的细节，且傅里叶变换以简谐信号为基本组成信号容易造成信号能量的扩散及截断，导致信号傅里叶分析的能量泄漏效应，从而使分析结果精度不高，分辨率降低。矩阵奇异值是矩阵的固有特征，通过对特征矩阵的奇异值分解可以有效提取特征矩阵中的关键信息，但奇异值分解时特征矩阵的构造较为繁琐，不同的构造方法达到的效果也不相同，这也是奇异值分解的不足之处。
发明内容
本发明的目的是为了解决常用的滚动轴承故障诊断方法在工况改变时，通常会失效或其判断精度大幅度下降的缺陷。为此，提出一种基于Hilbert-Huang变换和奇异值分解的在变工况下的滚动轴承故障诊断方法。本发明是一种变工况下滚动轴承故障诊断方法，包括以下步骤步骤一、获取滚动轴承在正常、内圈故障、外圈故障以及滚动单体故障共四种状态下的时域信号。设每种状态下获取N组时域信号，每组时域信号包含η个采样数据。步骤二、对每组时域信号进行Hilbert-Huang变换,具体进行如下处理步骤2.1 :对待处理的时域信号进行经验模态分解(EMD)，分解得到若干基本模态分量(IMF)，这些基本模态分量包含了待处理的时域信号的不同时间尺度的局部特征信号;步骤2. 2 :选取前 k个基本模态分量，对选取的每个基本模态分量分别做Hilbert变换并解析，得到解析结果H1 (t) ^Hk (t)，对H1 (t) ^Hk (t)取其各自包络，依次得到k个包络线 abS1、abs2、abs3、…、absk, k 个包络线组成特征向量空间 w, W=Labs1; abs2;; absk]。步骤三、对每组时域信号得到的特征向量空间进行奇异值分解，获取代表该特征向量空间固有特征的奇异值矩阵，将该奇异值矩阵作为神经网络的输入。步骤四、建立并训练滚动轴承故障诊断定位系统。所述的故障诊断定位系统采用Elman神经网络实现，输入为滚动轴承各个状态下时域信号的奇异值矩阵，输出为代表滚动轴承的四种状态输出矩阵，输出矩阵(1，O, O, O)对应轴承正常状态，输出矩阵(0，I, O, O)对应轴承内圈故障状态，输出矩阵(0，O, I, O)对应轴承外圈故障状态，输出矩阵(0，O, 0，I)对应轴承滚动单体故障状态。将包含四种状态的4N组滚动轴承信号的奇异值矩阵以及各状态下的输出矩阵作为训练集对Elman神经网络进行训练，保存训练好的神经网络作为判断网络。步骤五、实时采集变工况下的滚动轴承工作振动信号，将采集的振动信号通过步骤二和步骤三的处理得到相应的奇异值矩阵，将得到的奇异值矩阵作为已训练好的神经网络的输入，根据神经网络的输出结果对滚动轴承进行实时故障检测及故障定位。本发明的优点与积极效果在于(I)充分利用Hilbert-Huang变换针对非平稳信号的优点，使复杂信号分解为有限个基本模态分量，各基本模态分量包含了原信号的不同时间尺度的局部特征信号；同时，对于受到调制的信号也起到了解调的作用，有利于进一步对故障定位的准确分析。
(2)高频段的MF分量对应着M个频率族(M的大小视选取的MF个数而定)，而其它的IMF分量为噪声，因此，本发明方法充分利用了 EMD分解方法在分开M个频率族的同时达到去除噪声的目的。(3)充分利用奇异值分解的特性。矩阵的奇异值是矩阵的固有特征，具有较好的稳定性，即当矩阵元素发生小的变动时，矩阵的奇异值变化也很小，该特性为变工况下的滚动轴承故障诊断提供了可能；同时，矩阵的奇异值可以以几个值的形式表示出原矩阵的特性，在尺度方面，特征向量矩阵的维数得到了压缩，更有利于提高神经网络的判断精度和判断速度。(4)与已有的EMD和奇异值分解相融合的方法相比，本发明方法针对不同工况下同一种故障模式的不同信号(包括转速不同、故障程度不同等)所获得的奇异值矩阵仍有较高的重合度，表明该方法对变工况下的同种故障模式识别度较高；不同故障模式信号所获得的奇异值矩阵相互间差别较大，表明变工况下的不同故障模式相互间区分度较高。(5)与Elman神经网络相结合，本发明方法实现了变工况下的滚动轴承故障智能诊断定位，无需相关人员学习过于专业的知识，只需对相关知识有一定了解就可进行故障诊断，降低了对操作分析人员的专业要求。
图1为本发明的滚动轴承故障诊断方法整体步骤流程图；图2是EMD分解流程图；图3是特征向量获取示意图；图4为本发明实施例中内圈故障信号时域图；图5为本发明实施例中正常信号EMD分解结果图；图6为本发明实施例中内圈故障信号EMD分解结果图；图7为本发明实施例中外圈故障信号EMD分解结果图；图8为本发明实施例中滚动单体故障信号EMD分解结果图；图9为本发明实施例中外圈故障信号第一个MF的包络线示意图；图10为本发明实施例内圈故障下两种方法提取的奇异值簇对比图；图11为本发明实施例外圈故障下两种方法提取的奇异值簇对比图；图12为本发明实施例滚动单体故障下两种方法提取的奇异值簇对比图；图13为实施例中本发明所用方法的不同故障模式下的奇异值簇示意图。
具体实施例方式下面将结合附图和实施例对本发明作进一步的详细说明。本发明提出的变工况下的滚动轴承故障诊断方法,基于Hilbert-Huang和奇异值分解相结合，利用了 Hilbert-Huang在处理非平稳及非线性数据上具有明显优势的特性，以及矩阵奇异值是矩阵的固有特征，它具有较好的稳定性，当矩阵元素发生小的变动时矩阵的奇异值变化很小等特性。实验结果表明，本发明方法可以有效应对滚动轴承故障诊断时工况改变对各参数改变的影响，较好完成变工况下的滚动轴承故障模式的分类，且分类结果精度高，能有效进行故障诊断。
本发明的变工况下的滚动轴承故障诊断方法的整体步骤流程如图1所示，具体步骤如下步骤一、获取滚动轴承四种状态下的时域信号，所述的四种状态分别为正常状态、内圈故障状态、外圈故障状态和滚动单体故障状态。在滚动轴承运行状态下，以预先设定的采样频率和采样时间，对正常、内圈故障、外圈故障、滚动单体故障四种状态下的滚动轴承各采集N组振动信号，且故障状态下采集的振动信号包含不同故障程度下的信号。每种状态下的N组振动信号就是所要获取的时域信号，设每组振动信号具有η个采样点。步骤二、对采集的各状态下的时域信号分别进行Hilbert-Huang变换处理。步骤2.1 :对原始的时域信号进行经验模态分解(EMD)，得到若干基本模态分量(IMF)，这些基本模态分量包含了原始的时域信号不同时间尺度的局部特征信号。如图2所示，进行经验模态分解具体包括步骤2.1.1 :读取待处理的原始时域信号并赋值给待处理序列X (t)，设定计数器P的初始值为I，将待处理序列x(t)赋值给剩余信号序列r(t)。步骤2.1. 2 :确定待处理序列x(t)的所有局部极值点，包括极大值点和极小值点，然后将所有极大值点和极小值点分别用三次样条曲线连接起来，得到x(t)的上包络线El和下包络线E2，使信号所有数据点都处于这两条包络线之间。求取上、下包络线的均值序列m(t) :m(t) = (El+E2)/2。步骤2. 1.3:令序列1(0中减去其上、下包络线均值m(t)，得到信号差值序列u(t)=x(t)-m(t)0检测u(t)是否 满足基本模态分量需要的两个条件在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差一个；在任意时刻点，局部最大值的包络(上包络线)和局部最小值的包络(下包络线)的平均值必须为零。如果满足以上两个条件，则u(t)就是原始时域信号的一个基本模态分量Cp(t)，首次得到的为cl (t)。反之，则将u (t)作为新的待处理序列x(t) :x(t)=u(t)，然后转步骤2.1. 2执行，直至u (t)是一个基本模态分量，记作Cp (t):cp (t) = u(t)(I)步骤2.1. 4 :更新剩余信号序列r(t)，在当前原始序列中分解出一个基本模态分量^⑴后，需要从当前原始序列中减去cp(t)，更新的剩余信号序列r(t)为r(t) = r (t)-cp(t)(2)步骤2. 1.5 :判断剩余信号序列r(t)是否是一个单调函数，若是，则结束经验模态分解过程；否则，将剩余信号序列r(t)作为待处理序列x(t)，并更新计数器P = p+1，然后转步骤2.1. 2执行。设最终得到P个基本模态分量C1 (t)，. . .，Ci (t)，. . .，Cp (t)。步骤2. 2 :对得到的所有基本模态分量进行选取，高频段的IMF分量对应着若干个频率族，而其它的MF分量为噪声，需要舍去以达到降噪目的。由于前几个MF分量频率最高，仅对包含主要故障信息的前k个IMF分量进行提取，对选取的每一个基本模态分量分别做Hilbert变换，得到解析结果H1 (t) ^Hk (t)，对H1 (t) ^Hk (t)取其各自包络，依次得到包络线absp abs2、abs3、…、absk组成特征向量空间w,以用于进一步分析。具体过程如下通过分解得到MF后，就可以对选取的每一个MF分量做Hilbert变换，然后得到IMF分量Ci (t) (I ^ i ^ k)的解析结果为
权利要求
1.一种变工况下的滚动轴承故障诊断方法，其特征在于，具体包括如下步骤步骤一、获取滚动轴承在正常状态、内圈故障、外圈故障和滚动单体故障四种状态下的时域信号；设每种状态下获取N组时域信号，每组时域信号包含η个采样数据；步骤二、对每组时域信号分别进行Hilbert-Huang变换处理，处理过程为步骤2.1 :对待处理的时域信号进行经验模态分解，得到基本模态分量，基本模态分量包含了该时域信号的不同时间尺度的局部特征信号；步骤2. 2 :选取前k个基本模态分量，对选取的每个基本模态分量分别做Hilbert变换并解析，得到解析结果H1 (t) ^Hk (t)，对H1 (t) ^Hk (t)取其各自包络，依次得到k个包络线abs” abs2、abs3、…、absk, k 个包络线组成特征向量空间 w, W=Labs1; abs2;..., absk]；步骤三、对每组时域信号得到的特征向量空间进行奇异值分解，获取代表特征向量空间固有特征的奇异值矩阵；步骤四、建立并训练滚动轴承故障诊断定位系统；所述的故障诊断定位系统采用Elman神经网络实现，输入为滚动轴承各个状态下时域信号的奇异值矩阵，输出为代表滚动轴承的四种状态的输出矩阵，输出矩阵(1，O, O, O)对应正常状态，输出矩阵(0，I, O, O)对应内圈故障状态，输出矩阵(0，O, I, O)对应外圈故障状态，输出矩阵(0，O, O, I)对应滚动单体故障状态，将包含四种状态的滚动轴承时域信号的奇异值矩阵以及各状态下的输出矩阵作为训练集对Elman神经网络进行训练，保存训练好的神经网络作为判断网络；步骤五、实时采集变工况下的滚动轴承工作振动信号，将采集的振动信号通过步骤二和步骤三的处理后，得到对应的奇异值矩阵，将对应的奇异值矩阵作为已训练好的神经网络的输入，根据神经网络的输出结果对滚动轴承进行实时故障检测及故障定位。
2.根据权利要求1所述的一种变工况下的滚动轴承故障诊断方法，其特征在于，所述的步骤2.1具体为步骤2.1.1 :读取待处理的时域信号并赋值给待处理序列x(t)，设定计数器P的初始值为1，将x(t)赋值给剩余信号序列r(t)；步骤2. 1.2 :确定待处理序列x(t)的所有局部极值点，包括极大值点和极小值点，然后将所有极大值点和极小值点分别用三次样条曲线连接起来，得到x(t)的上包络线El和下包络线E2，最后，求取上、下包络线的均值序列m(t) m(t) = (El+E2)/2 ；步骤2.1. 3 :确定信号差值序列u (t) =x (t) -m(t)，判断u (t)是否满足基本模态分量需要的两个条件在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差一个；在任意时刻点，局部最大值的包络和局部最小值的包络的平均值必须为零；若满足以上两个条件，则得到原始时域信号的一个基本模态分量cp (t) = u (t)，否则，更新待处理序列X (t) =u (t),然后转步骤2.1. 2执行；步骤2.1. 4 :更新剩余信号序列r (t)=r (t)-cp(t)；步骤2.1. 5 :判断序列r(t)是否是单调函数，若是，结束经验模态分解过程；否则，将剩余信号序列r (t)作为待处理序列x(t)，并更新计数器P = p+1，然后转步骤2.1. 2执行。
3.根据权利要求1所述的一种变工况下的滚动轴承故障诊断方法，其特征在于，步骤三中所述的对特征向量空间进行奇异值分解的方法是对于复数域内kXn阶矩阵w，采用奇异值分解法求取奇异值矩阵，不管矩阵w行列是否相关，必然存在正交矩阵U和V，U = [U1U2 …uk] e Rkxk,V= [V1V2…Vk] e RnXn, 使得w = UDVt成立，对角矩阵D=[diag[o J2…oq]0]或者其转置，O代表零矩阵，q表示奇异值的个数，奇异值σ1≥σ2≥…≥oq≥0，矩阵D就是w的奇异值矩阵。
全文摘要
本发明为一种变工况下的滚动轴承故障诊断方法，利用Hilbert-Huang变换提取信号的特征向量，对信号EMD分解得到若干IMF，选取有用的IMF分别进行Hilbert变换，得到解析信号Hi(t)，并对其取各自包络组成特征向量w；然后利用奇异值分解法对w进行奇异值分解，将奇异值矩阵作为最终故障特征向量。将滚动轴承四种模式下的奇异值矩阵作为输入，将四种模式对应的四种矩阵作为输出，训练Elman神经网络。当滚动轴承发生故障时，通过训练好的Elman神经网络对t时刻信号的分析判断，可判断滚动轴承是否出现故障并准确定位发生故障的方位。本发明能有效地完成变工况下的滚动轴承故障模式的分类，且保持较高精度。
文档编号G01M13/04GK103048137SQ20121056009
公开日2013年4月17日 申请日期2012年12月20日 优先权日2012年12月20日
发明者刘红梅, 王轩, 吕琛, 刘大伟, 王靖 申请人:北京航空航天大学