基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断方法、系统、设备以及存储介质与流程

1.本发明涉及车用零部件检测技术领域，具体涉及基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断方法、系统、设备以及存储介质。


背景技术：

2.主轴轴承作为加工中心主轴的核心部件之一，其健康状态对加工中心的稳定运转及生产的稳定进行起着至关重要的影响。同时，在不同工作状态下轴承产生的失效模式也不同，由于过载、装配不当、设备的异常振动和润滑不良等原因都会造成轴承失效，使得维护人员在对主轴轴承的维护保养过程产生较大的难度。现有主轴轴承的更换及维护方案是通过人为经验或设备报警提醒来进行，易造成轴承使用寿命的浪费和轴承未及时更换所导致的设备停运，造成严重的生产损失。除此之外，现有高速加工中心电主轴转速和加工精度较高，转速一般都在每分钟10000转以上，主轴刀具跳动在0.01以内。主轴轴承损坏，将导致主轴抱死，发生故障，同时设备的稳定性会随之下降使得设备停机造成严重的生产损失甚至人员伤亡。
3.因此，现有的技术手段存在的缺陷为：
4.1)由于更换及维护方案是通过人为经验或设备报警提醒来进行，易造成轴承使用寿命的浪费和轴承未及时更换所导致的设备停运；
5.2)由于设备停运，会对人员的身体健康产生威胁。
6.现有技术，专利文献cn114444552a公开了“防爆电机轴承微弱故障诊断方法、介质、电子设备及系统”，建立了复杂防爆电机轴承深层稀疏滤波机制，对防爆电机轴承信号高维输入数据执行两次稀疏滤波，实现逐步降维过程。深层稀疏滤波机制为实际生产应用中防爆电机轴承运行状态监测使用高维度、大批量轴承数据提供了更为便捷有效的处理手段，能够得到低维的轴承故障特征集，克服了传统单一轴承振动数据集处理的局限性。专利文献cn114491823a公开了“一种基于改进生成对抗网络的列车轴承故障诊断方法”，通过基于判别模型和生成模型的gan训练方法搭建小样本数据类别的生成对抗网络，并采用真实数据集对其进行训练，可以提高故障的诊断识别率；通过深度卷积神经网络对样本进行特征提取，实现不同故障的特征学习；通过皮尔逊相关系数测量生成样本与真实样本平均值之间的损失函数来提高生成的质量，所生成的数据更贴近真实数据，使得模型能提取到有效的多尺度深层特征。
7.综上所述，现有技术手段由于更换及维护方案是通过人为经验或设备报警提醒来进行，易造成轴承使用寿命的浪费和轴承未及时更换所导致的设备停运，且由于设备停运，会对人员的身体健康产生威胁。


技术实现要素：

8.本发明解决了现有技术手段由于更换及维护方案是通过人为经验或设备报警提
醒来进行，易造成轴承使用寿命的浪费和轴承未及时更换所导致的设备停运，且由于设备停运，会对人员的身体健康产生威胁的问题。
9.本发明所述的基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断方法，所述方法包括以下步骤：
10.步骤s1，根据数学形态学的四种算子的滤波性能构建出增强顶帽变换算子，采用其对采集到的轴承振动信号进行特征增强；
11.步骤s2，经过特征增强后的轴承振动信号输入至集合经验模态分解中，将特征增强后的轴承振动信号分解为若干个模态分量；
12.步骤s3，计算出若干个模态分量的峭度值，选取指定的模态分量，并对选取出的模态分量进行分析，进而识别出轴承故障。
13.进一步地，在本发明的一个实施例中，所述的步骤s1中，所述的根据数学形态学的四种算子的滤波性能构建出增强顶帽变换算子，具体为：
14.利用数学形态学中四种基本算子膨胀算子、腐蚀算子、开算子和闭算子进行组合，即膨胀闭运算、腐蚀开运算、闭运算后膨胀和开运算腐蚀得到四种新型增强形态算子。
15.进一步地，在本发明的一个实施例中，所述的膨胀算子增强轴承振动信号的波峰，并对轴承振动信号的波谷进行削减；
16.所述的腐蚀算子增强轴承振动信号的波谷，并对轴承振动信号的波峰进行削减；
17.所述的开算子抑制轴承振动信号的波峰噪声；
18.所述的闭算子抑制轴承振动信号的波谷噪声。
19.进一步地，在本发明的一个实施例中，所述的步骤s2中，所述的将特征增强后的轴承振动信号分解为若干个模态分量，具体为：
20.将特征增强后的轴承振动信号传输至集合模态分解算法中，所述集合模态分解的本质是对时间序列数据进行局部平稳化处理，利用计算公式对轴承振动信号进行变换，得到一系列分解出的若干个模态分量。
21.进一步地，在本发明的一个实施例中，所述的步骤s3中，所述的选取指定的模态分量为峭度值最大的模态分量。
22.进一步地，在本发明的一个实施例中，所述的步骤s3中，所述的对选取出的模态分量进行分析为包络分析。
23.本发明所述的基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断系统，所述系统包括以下模块：
24.特征增强模块，根据数学形态学的四种算子的滤波性能构建出增强顶帽变换算子，采用其对采集到的轴承振动信号进行特征增强；
25.模态分量模块，经过特征增强后的轴承振动信号输入至集合经验模态分解中，将特征增强后的轴承振动信号分解为若干个模态分量；
26.分析模块，计算出若干个模态分量的峭度值，选取指定的模态分量，并对选取出的模态分量进行分析，进而识别出轴承故障。
27.本发明所述的一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
28.存储器，用于存放计算机程序；
29.处理器，用于执行存储器上所存放的程序时，实现上述方法中任一所述的方法步骤。
30.本发明所述的一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述方法中任一所述的方法步骤。
31.本发明解决了现有技术手段由于更换及维护方案是通过人为经验或设备报警提醒来进行，易造成轴承使用寿命的浪费和轴承未及时更换所导致的设备停运，且由于设备停运，会对人员的身体健康产生威胁的问题。具体有益效果包括：
32.本发明所述的基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断方法，采用的轴承故障诊断方法，将增强顶帽变换算子与集合经验模态分解模型各自的优势相结合，能够准确的判断轴承的故障类型，并能够有效的识别轴承早期微弱的故障特征。利用该诊断方法能够对加工中心主轴轴承的健康状态进行监测，合理安排更换采购时间可有效的避免因为零部件的更换而导致的设备停机造成巨大的经济损失。
附图说明
33.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
34.图1是具体实施方式所述的原始信号时域图。
35.图2是具体实施方式所述的原始信号包络。
36.图3是具体实施方式所述的信号特征增强图。
37.图4是具体实施方式所述的轴承信号的集合经验模态分解分解图。
38.图5是具体实施方式所述的特征增强后包络图。
39.图6是具体实施方式所述的拆解后轴承的内圈故障图。
具体实施方式
40.下面结合附图将对本发明的多种实施方式进行清楚、完整地描述。通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
41.本实施方式所述的基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断方法，所述方法包括以下步骤：
42.步骤s1，根据数学形态学的四种算子的滤波性能构建出增强顶帽变换算子，采用其对采集到的轴承振动信号进行特征增强；
43.步骤s2，经过特征增强后的轴承振动信号输入至集合经验模态分解中，将特征增强后的轴承振动信号分解为若干个模态分量；
44.步骤s3，计算出若干个模态分量的峭度值，选取指定的模态分量，并对选取出的模态分量进行分析，进而识别出轴承故障。
45.本实施方式中，所述的步骤s1中，所述的根据数学形态学的四种算子的滤波性能构建出增强顶帽变换算子，具体为：
46.利用数学形态学中四种基本算子膨胀算子、腐蚀算子、开算子和闭算子进行组合，即膨胀闭运算、腐蚀开运算、闭运算后膨胀和开运算腐蚀得到四种新型增强形态算子。
47.本实施方式中，所述的步骤s1中，所述的数学形态学的四种算子包括膨胀算子、腐
蚀算子、开算子和闭算子。
48.本实施方式中，所述的膨胀算子增强轴承振动信号的波峰，并对轴承振动信号的波谷进行削减；
49.所述的腐蚀算子增强轴承振动信号的波谷，并对轴承振动信号的波峰进行削减；
50.所述的开算子抑制轴承振动信号的波峰噪声；
51.所述的闭算子抑制轴承振动信号的波谷噪声。
52.本实施方式中，所述的步骤s2中，所述的将特征增强后的轴承振动信号分解为若干个模态分量，具体为：
53.将特征增强后的轴承振动信号传输至集合模态分解算法中，所述集合模态分解的本质是对时间序列数据进行局部平稳化处理，利用计算公式对轴承振动信号进行变换，得到一系列分解出的若干个模态分量。
54.本实施方式中，所述的步骤s3中，所述的选取指定的模态分量为峭度值最大的模态分量。
55.本实施方式中，所述的步骤s3中，所述的对选取出的模态分量进行分析为包络分析。
56.本实施方式所述的基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断系统，所述系统包括以下模块：
57.特征增强模块，根据数学形态学的四种算子的滤波性能构建出增强顶帽变换算子，采用其对采集到的轴承振动信号进行特征增强；
58.模态分量模块，经过特征增强后的轴承振动信号输入至集合经验模态分解中，将特征增强后的轴承振动信号分解为若干个模态分量；
59.分析模块，计算出若干个模态分量的峭度值，选取指定的模态分量，并对选取出的模态分量进行分析，进而识别出轴承故障。
60.本实施方式所述的一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
61.存储器，用于存放计算机程序；
62.处理器，用于执行存储器上所存放的程序时，实现上述实施方式中任一所述的方法步骤。
63.本实施方式中一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施方式中任一所述的方法步骤。
64.本实施方式基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断方法，提供一种实际的实施方式：
65.首先使用增强顶帽变换算子的方法对采集得到的振动信号进行特征增强及去除无关信息的干扰(如生产状态下产生的强烈背景噪声)。并对增强后的信号进行集合经验模态分解。最后依据峭度值选取原则，来选取集合经验模态分解得到的k个模态分量中有效的模态分量进行包络谱分析进而识别轴承早期的微弱故障，确定故障类型。
66.详细方法：
67.第一步，如图1-3所示，采用数学形态学滤波主要包含的四种基本算子，所述四种基本算子包括膨胀算子、腐蚀算子、开算子和闭算子，四种基本算子的不同组合构建一种新
型算子，利用膨胀算子可以提取轴承振动信号的正脉冲，增强轴承振动信号的波峰并对轴承振动信号的波谷进行削减。腐蚀算子可以增强轴承振动信号的波谷并对轴承振动信号的波峰进行削减。开算子可以有效地抑制轴承振动信号的波峰噪声，闭算子可以有效地抑制轴承振动信号的波谷噪声。利用数学形态学中四种基本算子膨胀算子、腐蚀算子、开算子和闭算子进行组合，即膨胀闭运算、闭运算后膨胀、腐蚀开运算和开运算腐蚀得到四种新型增强形态算子，通过对比发现闭运算后膨胀与开运算腐蚀的算子结合的增强顶帽变换算子能够有效的还原冲击脉冲信号，增强信号中的故障特征；
68.一种新型算子即增强顶帽变换算子实现对采集得到的轴承振动信号进行特征增强；特征增强即利用前文所构造的增强型顶帽算子对采集得到的轴承一维振动信号进行处理，使信号中的故障特征明显，并削弱信号中的无关特征；
69.第二步，如图4所示，将经过特征增强后的去噪信后输入至集合经验模态分解中，并利用该算法将去噪后的信号分解为一系列子模态。具体为：1、将高斯白噪声加入到待分解的特征增强后的信号得到新信号；2、对新信号进行经验模态分解，3、反复重复1、2的步骤并每次加入振幅相同的高斯白噪声，从而得到不同的模态分量；4、将各次分解得到的模态分量进行集合平均，使加入的高斯白噪声相互抵消，得到最终的分解结果；
70.第三步，利用峭度值指标对故障信号敏感的特点，计算各模态分量的峭度值，选取峭度值最大的模态分量，并对该模态分量进行包络分析。从包络5图中显示的幅值，可清晰的看到故障频率从图5中可以明显的看出转频30.56hz与理论计算值29.95hz相近，160.69hz与内圈故障频率161.73hz相近，322.89hz与理论计算值二倍频323.46hz相近，486.57f hz与理论计算值三倍频485.19hz相近，如图6所示，根据内圈故障特征频率可以判断出该轴承为内圈故障，经停机拆卸后检查出轴承有明显的内圈故障。
71.以上对本发明所提出的基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断方法、系统、设备以及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。