CN115962941A - 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 - Google Patents
基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115962941A CN115962941A CN202211168781.6A CN202211168781A CN115962941A CN 115962941 A CN115962941 A CN 115962941A CN 202211168781 A CN202211168781 A CN 202211168781A CN 115962941 A CN115962941 A CN 115962941A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- quality factor
- signal
- rolling bearing
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009467 reduction Effects 0.000 title claims abstract description 17
- 238000003745 diagnosis Methods 0.000 title claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 72
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000007704 transition Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000010355 oscillation Effects 0.000 abstract description 10
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法，包括：1)采集滚动轴承运行过程状态信号并计算测试轴承各部件发生损伤时对应的故障特征频率；2)构造一种包含过渡带、连续的阈值函数；3)基于振动测试信号自适应构造与故障特征信号相匹配的可调品质因子小波参数；4)获得最优可调品质因子小波阈值降噪后的信号；5)基于降噪后信号的包络谱诊断滚动轴承的故障类型。本发明结合了可调品质因子小波具有基函数振荡属性灵活可调的优势及阈值降噪强大的去噪能力，能够在强噪声环境下对滚动轴承的振动信号进行分析及故障诊断。
Description
技术领域
本发明属于滚动轴承故障诊断技术领域，具体涉及一种基于可调品质因子小波阈值降噪的滚动轴承振动信号分析与故障诊断方法。
背景技术
滚动轴承被称为“工业的关节”，是航空发动机、风力发电机等重大机电设备的关键支撑与传动部件，利用加速度传感器监测滚动轴承的振动状态具有安装便捷、成本低的优势，已经成为监测滚动轴承运行状态的普遍方法。
滚动轴承的部件局部损伤将在振动信号中产生周期性冲击故障成分，然而这些故障成分往往会淹没在其它部件的振动信号及大量的背景噪声中，通过信号处理方法从轴承振动监测信号中提取故障成分成为滚动轴承故障诊断的关键。小波阈值降噪是一种广泛使用的故障特征提取技术，在实际案例中也得到了验证。小波阈值降噪本质上是基于内积匹配原理开发的，其故障特征提取效果主要取决于两个方面：一是小波基函数与冲击故障特征信号的相似性，小波基函数与故障冲击信号越相似，基于内积变换其对故障特征信号的分解系数将显著大于其对噪声及其他振动信号的分解系数；二是阈值函数的选取，最常见的阈值函数为硬阈值与软阈值函数，通过将低于阈值的小波分解系数置零达到去噪的目的，但硬阈值与软阈值函数均存在一定的局限性，包括硬阈值的间断点会导致重构信号的振荡、软阈值对小波系数整体的削减使得重构的故障特征信号较实际值偏低。现有小波阈值降噪方面的研究工作主要集中在阈值函数的改造方面，而小波基函数多选择为二进小波基函数，二进小波基函数具有固定的基函数振荡属性及时频划分特性，难以自适应匹配具有不同振荡属性的故障特征信号，因而削弱了小波阈值降噪在强噪声环境下滚动轴承故障特征的提取能力。所以，同时解决小波基函数的自适应匹配构造及阈值函数的选取问题，对于采用小波阈值降噪框架提取滚动轴承的故障特征是十分重要的。
发明内容
要解决的技术问题
针对现有小波阈值降噪技术存在固定的小波基函数难以自适应匹配不同振荡属性的故障特征信号、强噪声环境下对滚动轴承的微弱故障特征提取能力弱的问题，本发明提供一种基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法。
技术方案
一种基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法，其特征在于步骤如下：
步骤1：通过轴承座上安装的加速度传感器采集滚动轴承运行过程中的振动信号x(n),n＝1,2,…,N，其中N为离散信号长度；基于测试轴承的节经、接触角、滚子数、及转轴转速，分别计算滚动轴承不同部件出现局部损伤情况下对应的故障特征频率fi，其中i＝1,2,3,4分别对应滚动轴承的外圈、内圈、滚动体、保持架部件；
步骤2：构造一个在阈值处连续、且大幅值系数与原值相同的阈值函数，表示如下：
式中：λ是针对可调品质因子小波分解系数通过Stein无偏似然估计原理自适应确定的阈值；α为过渡带调节系数并满足0＜α＜1；
步骤3：基于滚动轴承振动信号自适应构造相匹配的可调品质因子小波基函数首先构造可调品质因子小波变换的参数空间Γ{Q,r}，其中Q为品质因子，r为冗余度；针对参数空间中每一组参数组合(Q,r)，构造对应的可调品质因子小波基函数ψQ,r，进而对振动信号x(n)进行分解得到各层小波分解系数ωj，其中j＝1,2,...J为小波分解层，J为最大分解层；采用步骤2的阈值函数对各层小波分解系数ωj进行重置并通过可调品质因子小波逆变换获得降噪后信号计算的包络信号谐噪比，并绘制不同参数组合(Q，r)下的包络信号谐噪比谱图；选取最大包络信号谐噪比对应的参数组合(Q*,r*)及为最优匹配的可调品质因子小波基函数；
步骤4：采用最有匹配的可调品质因子小波基函数选择其在步骤3中对应的降噪后信号为可调品质因子小波阈值降噪信号
步骤5：计算可调品质因子小波阈值降噪信号的Hilbert包络谱，并根据包络谱中主要频率分量确定滚动轴承的故障部件。
本发明进一步的技术方案：所述的步骤3具体过程如下：
3.1)可调品质因子小波的控制参数包括品质因子Q与冗余度r，构造对应的参数空间Γ：
Γ＝{(Q,r)|Q＝2,3,...15；r＝2,3,...10}
3.2)针对参数空间Γ中每一种参数组合(Q,r)，构造对应的可调品质因子小波基函数ψQ,r，进而对振动监测信号x(n)进行J层分解得到各层小波系数ωj：
ωj＝TQWT[x(n)],j＝1,2,...,J
其中：TQWT[·]为可调品质因子小波变换，j为小波分解层，J为最大分解层，将每层小波基函数可以表示为ψQ,r(j)；
3.3)基于各层小波基函数的模|ψQ,r(j)|，对各层小波系数进行归一化处理，得到各层归一化小波系数ω′j：
ω′j＝ωj/|ψQ,r(j)|,j＝1,2,...,J
对于各层归一化小波系数集合{ω′j}，通过Stein无偏似然估计原理自适应确定归一化阈值λ′，可调品质小波各层系数阈值计算为：
λj＝λ′|ψQ,r(j)|,j＝1,2,...,J
3.4)选择过渡带调节系数为α＝0.5～0.6，通过步骤2所构造的阈值函数对各层系数ωj进行重置，重置后的各层系数表示为ωj：
将重置后各层系数通过可调品质因子小波逆变换，重构得到降噪后信号：
其中：iTQWT[·]为可调品质因子小波逆变换；
3.5)计算的包络信号X(n)，进而计算包络信号的谐噪比
式中：corr<·>为自相关函数，max(·)为取最大值操作；表征了包络信号中周期分量的与噪声分量的能量比；
3.6)依次计算参数空间Γ中每种参数组合(Q,r)下的包络信号谐噪比分别以品质因子Q及冗余度r为坐标轴，绘制对应的包络信号谐噪比谱图，选择图中最大谐噪比对应的参数组合为与故障特征信号相匹配的可调品质因子小波参数(Q*,r*)：
本发明进一步的技术方案：所述的步骤5对滚动轴承故障部件的判断准则为：基于可调品质因子小波阈值降噪后信号的Hilbert包络谱中，如果其主要频率分量为步骤1所计算的滚动轴承某一故障特征频率fi及其倍频成分，则表明滚动轴承中与该故障特征频率对应的部件出现了局部损伤。
本发明进一步的技术方案：步骤2所述的α＝0.5～0.6。
一种计算机***，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
有益效果
本发明提供的一种基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法，基于可调品质因子小波具有小波基函数振荡属性灵活可调的优势，能够基于振动测试信号自适应构造与故障特征信号相匹配的可调品质因子小波基函数，同时构造了一个连续的阈值函数，能够实现强噪声环境下滚动轴承的故障特征提取，具有广泛的应用前景。
相比于现有技术，本方法的有益效果体现如下：
a.所构造的最优可调品质因子小波基函数，是基于滚动轴承振动监测信号驱动的、自适应构造的与故障特征信号振荡属性相匹配的可调品质因子小波基函数；基于内积匹配原理，其对于故障特征信号及噪声信号的分解系数较传统方法会有更显著的区分度。
b.所构造的阈值函数通过过渡带的设置保证了阈值函数的连续性，避免了传统硬阈值函数的间断点；同时对于大幅值系数取原值也避免了传统软阈值函数中系数削减的情况；能够使得重构信号更好还原故障特征信号。本发明同时结合了可调品质因子小波具有基函数振荡属性灵活可调的优势及阈值降噪强大的去噪能力，能够在强噪声环境下对滚动轴承的振动信号进行分析及故障诊断。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1是本发明方法的流程图。
图2是某测试圆柱滚子轴承振动测试信号及其频谱图。其中(a)为振动加速度信号时域波形；(b)为该加速度信号的频谱。
图3是图2(a)中信号在不同可调品质因子小波控制参数下阈值降噪后包络信号谐噪比谱图。
图4是优选的可调品质因子小波基函数及其归一化频带划分特性。
图5是图2(a)中信号基于可调品质因子小波阈值降噪后的重构信号。
图6是图5降噪后信号的Hilbert包络谱，图中可以检测到滚动轴承外圈故障特征。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
结合图1至图6，对本发明的内容作进一步的说明：
一种基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法，如图1所示，其主要步骤如下：
步骤1：滚动轴承振动信号采集与故障特征频率计算，包括：
1.1)在滚动轴承所在的轴承座上安装加速度传感器，采集滚动轴承运行过程中的振动信号，表示为x(n),n＝1,2,…,N，其中N为离散信号长度。
1.2)基于滚动轴承的节经、接触角、滚子数、滚子直径及转轴转速，分别计算滚动轴承不同部件出现局部损伤情况下对应的故障特征频率fi(郭亮，陈志强，高宏力，冯立文，李长根，雷云聪.一种基于字典学习的列车转向架轴承故障监测方法及***，CN 111307455A)，其中i＝1,2,3,4分别对应滚动轴承的外圈、内圈、滚动体、保持架部件。
步骤2：构造一个在阈值处连续、且大幅值系数与原值相同的阈值函数，表示如下：
式中：λ是针对可调品质因子小波分解系数通过Stein无偏似然估计原理(SURE)自适应确定的阈值；α为过渡带调节系数并满足0＜α＜1、且一般取值α＝0.5～0.6。
构造的阈值函数将阈值划分为三个区间：(-αλ,αλ)区间的可调品质因子小波分解系数置零；(-λ/α,-αλ)∪(αλ,λ/α)区间为过渡带，在此区间的可调品质因子小波分解系数的绝对值逐渐增加，过渡带的设置保证了阈值函数的连续性，避免了传统硬阈值函数的间断点；(-∞,-λ/α)∪(λ/α,∞)区间的可调品质因子小波分解系数取原值，避免了传统软阈值函数中系数削减的情况。
步骤3：基于滚动轴承振动信号自适应构造相匹配的可调品质因子小波基函数包括：
3.1)可调品质因子小波的控制参数包括品质因子Q与冗余度r，构造对应的参数空间Γ：
Γ＝{(Q,r)|Q＝2,3,...15；r＝2,3,...10}
品质因子Q控制小波基函数的振荡属性，高的品质因子Q对应的小波基函数的振荡属性更高；冗余度r决定了小波基函数频域过渡带的宽窄；所构造的参数空间共有126种参数组合(Q,r)。
3.2)针对参数空间Γ中每一种参数组合(Q,r)，构造对应的可调品质因子小波基函数ψQ,r(Ivan W.Selesnick.Wavelet transform with tunable Q-factor.IEEETransactions on Signal Processing,2011)，进而对振动监测信号x(n)进行J层分解得到各层小波系数ωj：
ωj＝TQWT[x(n)],j＝1,2,...,J
其中：TQWT[·]为可调品质因子小波变换，j＝1,2，...,J为小波分解层，J为最大分解层，将每层小波基函数可以表示为ψQ,r(j)。
3.3)基于各层小波基函数的模|ψQ,r(j)|，对各层小波系数进行归一化处理，得到各层归一化小波系数ω′j：
ω′j＝ωj/|ψQ,r(j)|,j＝1,2,...,J
对于各层归一化小波系数集合{ω′j}，通过Stein无偏似然估计原理(SURE)自适应确定归一化阈值λ′。在此基础上，可调品质小波各层系数阈值可以计算为：
λj＝λ′|ψQ,r(j)|,j＝1,2,...,J
3.4)选择过渡带调节系数为α＝0.5～0.6，通过步骤2所构造的阈值函数对各层系数ωj进行重置，重置后的各层系数表示为
将重置后各层系数通过可调品质因子小波逆变换，重构得到降噪后信号
其中：iTQWT[·]为可调品质因子小波逆变换。
3.5)计算降噪后信号的包络信号X(n)，进而计算包络信号的谐噪比
式中：corr<·>为自相关函数，max(·)为取最大值操作。表征了包络信号中周期分量的与噪声分量的能量比。
3.6)依次计算参数空间Γ中每种参数组合(Q,r)下的包络信号谐噪比分别以品质因子Q及冗余度r为坐标轴，绘制对应的包络信号谐噪比谱图，选择图中最大谐噪比对应的参数组合为与故障特征信号相匹配的可调品质因子小波参数(Q*,r*)：
步骤4：采用最有匹配的可调品质因子小波基函数选择其在步骤3中对应的降噪后信号为可调品质因子小波阈值降噪信号
步骤5：计算可调品质因子小波阈值降噪信号的Hilbert包络谱，并根据包络谱中主要频率分量确定滚动轴承的故障部件，包括：
5.1)基于可调品质因子小波阈值降噪后信号的Hilbert包络谱中，如果其主要频率分量为步骤1所计算的滚动轴承某一故障特征频率fi及其倍频成分，则表明滚动轴承中与该故障特征频率对应的部件(外圈、内圈、滚动体、保持架)出现了局部损伤。
5.2)基于可调品质因子小波阈值降噪后信号的Hilbert包络谱中，如果没有明显的故障特征频率及其倍频成分，则表明该滚动轴承运行状态良好。
实施例
下面结合具体实施例对本发明作进一步的说明。
本实施例是外圈与轴承座固定、内圈与转轴相连的双排圆柱滚子轴承，每排包含16个圆柱滚子。试验开始前安装的是完好的滚动轴承，通过电机驱动转轴与轴承转动开展全寿命实验，实验结束后通过拆件确认轴承外圈出现剥落损伤。实验过程中转轴转速恒定为2000转/分钟，通过轴承座壳体外侧安装的加速度传感器监测轴承运行过程中的振动信号，采样频率为20kHz。根据实验所用滚动轴承的几何尺寸及转轴转速，计算该滚动轴承各部件对应的故障特征频率如表1所示。
表1实验所用圆柱滚子滚动轴承各部件故障特征频率
图2(a)和2(b)分别是实验过程中采集的一段滚动轴承振动加速度信号及其频谱图，该测试信号持续0.15s。可以看到：振动信号的时域波形及频谱成分比较复杂，并不能观测到显著的周期性故障冲击等特征。因此，该采集时刻轴承的外圈故障特征信号可能淹没在试验台其它振动及环境噪声中，难以直接从时域或频域检测出来。下面通过本发明提出的基于可调品质因子小波阈值降噪对该测试振动信号进行分析。
构建可调品质因子小波参数空间Γ＝{(Q,r)|Q＝2,3,...15；r＝2,3,...10}，针对参数空间中每一组参数组合(Q,r)，建立对应的可调品质因子小波基函数ψQ,r，然后对图2(a)中振动信号按15层进行分解，得到各层小波系数。按各层小波基函数的模对各层小波系数进行归一化处理，由此通过无偏似然估计归一化小波系数的阈值，选择过渡带调节系数α＝0.5，进而通过阈值函数对各层小波系数进行重置。由重置后的小波系数通过可调品质因子小波逆变换即可得到阈值降噪后的信号，对该信号计算其包络信号谐噪比指标，并将不同参数组合(Q,r)下计算得到的包络信号谐噪比绘制在冗余度r为横坐标、品质因子Q为纵坐标的图上，如图3所示。
图3中最大的包络信号谐噪比是在参数Q*＝2,r*＝3下取得的，因此将该参数确定为与故障冲击特征最匹配的可调品质因子小波参数，由该参数所构造的可调品质因子小波基函数及其频带划分特性如图4所示。采用图4中所优选的可调品质因子小波基函数ψ(Q*＝2,r*＝3)，对图2(a)中振动信号进行可调品质因子小波阈值降噪，其结果如图5所示。
可以看到：图5中经过可调品质因子小波阈值降噪后得到的信号中可以清晰地观测到周期性的冲击信号。图6是降噪后信号的Hilbert包络谱，其主要频率成分为滚动轴承外圈故障特征频率及其倍频成分，表明在振动信号测试时刻该滚动轴承已经发生了外圈局部损伤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法，其特征在于步骤如下：
步骤1：通过轴承座上安装的加速度传感器采集滚动轴承运行过程中的振动信号x(n),n＝1,2,…,N，其中N为离散信号长度；基于测试轴承的节经、接触角、滚子数、及转轴转速，分别计算滚动轴承不同部件出现局部损伤情况下对应的故障特征频率fi，其中i＝1,2,3,4分别对应滚动轴承的外圈、内圈、滚动体、保持架部件；
步骤2：构造一个在阈值处连续、且大幅值系数与原值相同的阈值函数，表示如下：
式中：λ是针对可调品质因子小波分解系数通过Stein无偏似然估计原理自适应确定的阈值；α为过渡带调节系数并满足0<α<1；
步骤3：基于滚动轴承振动信号自适应构造相匹配的可调品质因子小波基函数
首先构造可调品质因子小波变换的参数空间Γ{Q,r}，其中Q为品质因子，r为冗余度；针对参数空间中每一组参数组合(Q,r)，构造对应的可调品质因子小波基函数ψQ,r，进而对振动信号x(n)进行分解得到各层小波分解系数ωj，其中j＝1,2,...J为小波分解层，J为最大分解层；采用步骤2的阈值函数对各层小波分解系数ωj进行重置
并通过可调品质因子小波逆变换获得降噪后信号
计算
的包络信号谐噪比，并绘制不同参数组合(Q,r)下的包络信号谐噪比谱图；选取最大包络信号谐噪比对应的参数组合(Q*,r*)及
为最优匹配的可调品质因子小波基函数；
步骤4：采用最有匹配的可调品质因子小波基函数
选择其在步骤3中对应的降噪后信号
为可调品质因子小波阈值降噪信号
步骤5：计算可调品质因子小波阈值降噪信号
的Hilbert包络谱，并根据包络谱中主要频率分量确定滚动轴承的故障部件。
2.根据权利要求1所述的一种基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法，其特征在于：所述的步骤3具体过程如下：
3.1)可调品质因子小波的控制参数包括品质因子Q与冗余度r，构造对应的参数空间Γ：
Γ＝{(Q,r)|Q＝2,3,...15；r＝2,3,...10}
3.2)针对参数空间Γ中每一种参数组合(Q,r)，构造对应的可调品质因子小波基函数ψQ,r，进而对振动监测信号x(n)进行J层分解得到各层小波系数ωj：
ωj＝TQWT[x(n)],j＝1,2,...,J
其中：TQWT[·]为可调品质因子小波变换，j为小波分解层，J为最大分解层，将每层小波基函数可以表示为ψQ,r(j)；
3.3)基于各层小波基函数的模|ψQ,r(j)|，对各层小波系数进行归一化处理，得到各层归一化小波系数ω′j：
ω′j＝ωj/ψQ,r(j)|,j＝1,2,...,J
对于各层归一化小波系数集合{ω′j}，通过Stein无偏似然估计原理自适应确定归一化阈值λ′，可调品质小波各层系数阈值计算为：
λj＝λ′|ψQ,r(j)|,j＝1,2,...,J
3.4)选择过渡带调节系数为α＝0.5～0.6，通过步骤2所构造的阈值函数对各层系数ωj进行重置，重置后的各层系数表示为
将重置后各层系数
通过可调品质因子小波逆变换，重构得到降噪后信号：
其中：iTQWT[·]为可调品质因子小波逆变换；
3.5)计算
的包络信号X(n)，进而计算包络信号的谐噪比
式中：corr<·>为自相关函数，max(·)为取最大值操作；
表征了包络信号中周期分量的与噪声分量的能量比；
3.6)依次计算参数空间Γ中每种参数组合(Q,r)下的包络信号谐噪比
分别以品质因子Q及冗余度r为坐标轴，绘制对应的包络信号谐噪比谱图，选择图中最大谐噪比对应的参数组合为与故障特征信号相匹配的可调品质因子小波参数(Q*,r*)：
3.根据权利要求1所述的一种基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法，其特征在于：所述的步骤5对滚动轴承故障部件的判断准则为：基于可调品质因子小波阈值降噪后信号的Hilbert包络谱中，如果其主要频率分量为步骤1所计算的滚动轴承某一故障特征频率fi及其倍频成分，则表明滚动轴承中与该故障特征频率对应的部件出现了局部损伤。
4.根据权利要求1所述的一种基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法，其特征在于：步骤2所述的α＝0.5～0.6。
5.一种计算机***，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。
6.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211168781.6A CN115962941A (zh) | 2022-09-24 | 2022-09-24 | 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211168781.6A CN115962941A (zh) | 2022-09-24 | 2022-09-24 | 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115962941A true CN115962941A (zh) | 2023-04-14 |
Family
ID=87353290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211168781.6A Pending CN115962941A (zh) | 2022-09-24 | 2022-09-24 | 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115962941A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116698416A (zh) * | 2023-06-08 | 2023-09-05 | 上海理工大学 | 一种用于早期故障检测的低秩特征多通道同步提取方法 |
| CN116840622A (zh) * | 2023-07-07 | 2023-10-03 | 云木科技有限公司 | 基于电量输入与输出对比计算的配电终端测试*** |
| CN117589456A (zh) * | 2024-01-19 | 2024-02-23 | 中国航发四川燃气涡轮研究院 | 增强稀疏分解的滚动轴承变转速故障诊断方法 |
-
2022
- 2022-09-24 CN CN202211168781.6A patent/CN115962941A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116698416A (zh) * | 2023-06-08 | 2023-09-05 | 上海理工大学 | 一种用于早期故障检测的低秩特征多通道同步提取方法 |
| CN116698416B (zh) * | 2023-06-08 | 2024-04-02 | 上海理工大学 | 一种用于早期故障检测的低秩特征多通道同步提取方法 |
| CN116840622A (zh) * | 2023-07-07 | 2023-10-03 | 云木科技有限公司 | 基于电量输入与输出对比计算的配电终端测试*** |
| CN116840622B (zh) * | 2023-07-07 | 2024-01-26 | 云木科技有限公司 | 基于电量输入与输出对比计算的配电终端测试*** |
| CN117589456A (zh) * | 2024-01-19 | 2024-02-23 | 中国航发四川燃气涡轮研究院 | 增强稀疏分解的滚动轴承变转速故障诊断方法 |
| CN117589456B (zh) * | 2024-01-19 | 2024-04-02 | 中国航发四川燃气涡轮研究院 | 增强稀疏分解的滚动轴承变转速故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115962941A (zh) | 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 | |
| Yin et al. | Weak fault feature extraction of rolling bearings based on improved ensemble noise-reconstructed EMD and adaptive threshold denoising | |
| Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
| Lin et al. | Mechanical fault detection based on the wavelet de-noising technique | |
| Lin et al. | Feature extraction based on Morlet wavelet and its application for mechanical fault diagnosis | |
| Zhang et al. | A new feature extraction approach using improved symbolic aggregate approximation for machinery intelligent diagnosis | |
| CN110220708A (zh) | 一种基于改进小波算法的轴承信号降噪方法 | |
| Feng et al. | Normalized wavelet packets quantifiers for condition monitoring | |
| CN107886078B (zh) | 一种基于分层自适应阈值函数的小波阈值降噪方法 | |
| CN110779724B (zh) | 一种基于频域组稀疏降噪的轴承故障诊断方法 | |
| CN113375940A (zh) | 基于svd和ceemdan的故障轴承诊断方法 | |
| CN112098102B (zh) | 一种基于ewt-scwt的内燃机异响识别与诊断方法 | |
| CN112633098A (zh) | 一种旋转机械故障诊断方法、***及存储介质 | |
| CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
| CN110807349A (zh) | 基于emd分解和小波阈值的自适应降噪方法 | |
| CN115730199A (zh) | 一种滚动轴承振动信号降噪和故障特征提取方法和*** | |
| Sun et al. | Application of wavelet soft threshold denoising algorithm based on EMD decomposition in vibration signals | |
| Fan et al. | A joint wavelet lifting and independent component analysis approach to fault detection of rolling element bearings | |
| CN114741945A (zh) | 一种航空发动机在线故障的诊断方法 | |
| CN109612730A (zh) | 一种基于预白化分析的滚动轴承故障定位方法 | |
| CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 | |
| CN115452377B (zh) | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 | |
| CN111144307A (zh) | 一种自主式水下机器人推进器故障特征提取方法 | |
| CN115655719A (zh) | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 | |
| CN112613573B (zh) | 一种基于自适应终止准则omp的滚动轴承故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |