1.本发明属于旋转机械故障诊断技术领域，具体涉及一种基于小波多参数优化的滚动轴承故障特征提取方法。
背景技术：2.滚动轴承作为旋转机械系统中的核心部件，在运行过程中会受到多种交变载荷的作用，是机器设备中最容易发生故障损坏的部件之一。一旦滚动轴承出现故障后会影响设备中其他部件的正常运行，进而引发一系列的连锁破坏反应，造成更为危险的安全事故。因此，为保证旋转机械设备正常运行，有效提取滚动轴承故障特征以评估轴承运行状态至关重要。
3.在旋转机械故障特征提取的过程中，故障信号往往会受到不同程度的噪声干扰，导致难以准确准确提取故障特征。由于小波变换具有多分辨率解析的特点和较好的局部化分析能力，被广泛地应用于冲击振动信号的预处理中。然而，小波分析的核心问题在于在寻找最优小波参数时，如何即避免陷入局部最优解，又保证参数之间的内在固有关系，从而实现对故障信号的预处理。
4.因此，现目前需要一种具有较强的抗噪性，且可从强背景噪声中准确提取滚动轴承故障特征的方法。
技术实现要素：5.为了解决上述技术问题，本发明提供了一种基于小波多参数优化的滚动轴承故障特征提取方法，根据滚动轴承发生故障时的振动信号，使用多参数优化方法、最优morlet小波变换和峭度准则完成信号的预处理，并基于筛选后的小波系数完成信号重构和故障特征提取。
6.为了达到解决上述技术问题的技术效果，本发明是通过以下技术方案实现的：一种基于小波多参数优化的滚动轴承故障特征提取方法，其特征在于，包括以下步骤：
7.step1：采用粒子群算法优化morlet小波参数，获得符合分析信号特征的最优morlet小波；
8.step2：对分析信号进行最优morlet小波变换后，利用峭度准则对小波系数进行筛选，并重构信号；
9.step3：对重构信号进行teager能量算子解调，获得teo解调能量谱图，实现滚动轴承的故障特征提取。
10.进一步的，所述步骤step1中，采用粒子群算法优化morlet小波参数，得到符合分析信号特征的最优morlet小波，具体步骤包括：
11.step 1.1：根据分析信号的特征，设置morlet小波优化参数小波参数尺度a、带宽fb和中心频率fc的取值范围；
12.step 1.2：设定粒子群优化算法的初始参数(惯性权重ω＝1，学习因子c1＝1，种
群规模设为100，迭代次数为30)；
13.step 1.3：随机产生3组参数作为粒子群，并求取每组参数对应的小波系数；
14.step 1.4：求取每组小波系数的香农熵作为适应度值，将适应度最大值对应的参数组作为全局最优解，并更新粒子群位置及对应参数值；
15.step 1.5：判断迭代是否结束，若结束则输出全局最优解，即(a,fb,fc)，得到最优morlet小波；反之，则返回step1.3，直至迭代次数等于或大于30。
16.进一步的，所述步骤step1.1中，尺度参数a的优范围为[0，10]，步长为0.01,；带宽参数fb寻优范围为[0，40]，步长为0.2；中心频率fc寻优范围为[0，10]，步长为0.1。
[0017]
所述步骤step1.4中香农熵计算公式如下所示：
[0018][0019]
pi是从小波系数获得的分布序列，计算公式为
[0020][0021]
进一步的，所述步骤step2中，对分析信号进行最优morlet小波变换后，利用峭度指数选取特征尺度，得到筛选后的小波系数，并进行信号重构，具体步骤包括：
[0022]
step 2.1：对分析信号进行最优morlet小波变换得到小波系数w(a,n)；
[0023]
step 2.2：计算小波系数的峭度值kr(a)和最大峭度k
mr
，选择kr(a)》0.75k
mr
的特征尺度a'；
[0024]
step 2.3：选取特征尺度a'对应的小波系数w(a',n)，并重构信号。
[0025]
其中，峭度值通过下式计算：
[0026][0027]
x为信号序列，n为信号的长度，为平均值。
[0028]
用下述公式重构信号：
[0029][0030]w′
(a,n)表示选定的筛选后的小波系数，c
lψ
由下式给出：
[0031][0032]
进一步的，所述步骤step3中，具体步骤为：
[0033]
step3.1：对重构信号进行teager能量算子teo解调分析，获得teo解调能量谱图；
[0034]
step 3.2：提取teo解调能量谱图的特征频率；
[0035]
本发明的有益效果是：
[0036]
利用粒子群算法同时对morlet小波的三个关键参数进行参数优化，得到最优morlet小波，既解决了小波变换核心参数寻优时陷入局部最优解的问题，又保证了小波参
数之间的内在固有关系，提高了小波变换的精确度，能够有效提取出滚动轴承振动信号的故障特征，保证设备正常运行；且具有较强的抗噪性，可从强背景噪声中准确的提取滚动轴承故障特征。
附图说明
[0037]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]
图1是本发明的步骤流程图；
[0039]
图2是本发明实施例中美国凯斯西储大学轴承数据中心实验台；
[0040]
图3是本发明实施例中外圈故障振动信号时域和频域波形图；
[0041]
图4是经本发明方法处理前后外圈故障振动信号的时域波形图；
[0042]
图5是本发明实施例中外圈故障重构信号teo解调图。
具体实施方式
[0043]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0044]
实施例
[0045]
本发明实施例提供一种基于小波多参数优化的滚动轴承故障特征提取方法，基本框图如图1所示。实施例使用凯斯西储大学轴承数据，如图2和图3所示。选取凯斯西储大学轴承数据外圈故障振动信号进行说明，计算得滚动轴承外圈理论故障频率为bpfo＝107.305hz。
[0046]
如图1所示，一种基于小波多参数优化的滚动轴承故障特征提取方法，具体步骤为：
[0047]
step1：采用粒子群算法同时优化morlet小波的三个参数，获得符合分析信号特征的最优morlet小波。
[0048]
step 1.1：根据分析信号的特征，设置morlet小波优化参数小波参数尺度a、带宽fb和中心频率fc的取值范围；
[0049]
step 1.2：设定粒子群优化算法的初始参数(惯性权重ω＝1，学习因子c1＝1，种群规模设为100，迭代次数为30)；
[0050]
step 1.3：随机产生3组参数作为粒子群，并求取每组参数对应的小波系数；
[0051]
step 1.4：求取每组小波系数的香农熵作为适应度值，将适应度最大值对应的参数组作为全局最优解，并更新粒子群位置及对应参数值；
[0052]
step 1.5：判断迭代是否结束，若结束则输出全局最优解，即(a,fb,fc)，得到最优morlet小波；反之，则返回step1.3，直至迭代次数等于或大于30。
[0053]
所述步骤step1.1中，尺度参数a的优范围为[0，10]，步长为0.01,；带宽参数fb寻
优范围为[0，40]，步长为0.2；中心频率fc寻优范围为[0，10]，步长为0.1。
[0054]
所述步骤step1.4中香农熵计算公式如下所示：
[0055][0056]
pi是从小波系数获得的分布序列，计算公式为
[0057][0058]
得到优化后的带宽和中心频率参数分别为6，13和6.5。
[0059]
述步骤step2中，对分析信号进行最优morlet小波变换后，利用峭度指数选取特征尺度，得到筛选后的小波系数，并进行信号重构，具体步骤包括：
[0060]
step 2.1：对分析信号进行最优morlet小波变换得到小波系数w(a,n)；
[0061]
step 2.2：计算小波系数的峭度值kr(a)和最大峭度k
mr
，选择kr(a)》0.75k
mr
的特征尺度a'；
[0062]
step 2.3：选取特征尺度a'，对应的小波系数w(a',n)，并进行信号重构，。
[0063]
其中，峭度值通过下式计算：
[0064][0065]
x为信号序列，n为信号的长度，x为平均值。
[0066]
用下述公式重构信号：
[0067][0068]w′
(a,n)表示选定的筛选后的小波系数，c
lψ
由下式给出：
[0069][0070]
原始故障诊断信号和重构信号的时域波形图，如图4所示。
[0071]
所述步骤step3中，具体步骤为：
[0072]
step 3.1：对重构信号进行teager能量算子teo解调分析，获得teo解调能量谱图；
[0073]
step 3.2：提取teo解调能量谱图的特征频率，如图5所示，经teo解调得到的能量谱图在频率为105.5hz处有明显的峰值，和轴承外圈故障理论值107.305hz较为接近，并且在2～8倍频处也出现明显的峰值，由此，可判断轴承发生的是外圈故障。
[0074]
综上所述，利用粒子群算法同时对morlet小波的三个关键参数进行参数优化，得到最优morlet小波，既解决了小波变换核心参数寻优时陷入局部最优解的问题，又保证了小波参数之间的内在固有关系，提高了小波变换的精确度，能够有效提取出滚动轴承振动信号的故障特征，保证设备正常运行；且具有较强的抗噪性，可从强背景噪声中准确的提取滚动轴承故障特征。
[0075]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指
结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0076]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
技术特征：1.一种基于小波多参数优化的滚动轴承故障特征提取方法，其特征在于，包括以下步骤：step1：采用粒子群算法优化morlet小波参数，获得符合分析信号特征的最优morlet小波；step2：对分析信号进行最优morlet小波变换后，利用峭度准则对小波系数进行筛选，并重构信号；step3：对重构信号进行teager能量算子解调，获得teo解调能量谱图，实现滚动轴承的故障特征提取。2.根据权利要求1所述一种基于小波多参数优化的滚动轴承故障特征提取方法，其特征在于，所述步骤step1中，采用粒子群算法优化morlet小波参数，得到符合分析信号特征的最优morlet小波，具体步骤包括：step1.1：根据分析信号的特征，设置morlet小波优化参数小波参数尺度a、带宽f
b
和中心频率f
c
的取值范围；step1.2：设定粒子群优化算法的初始参数；step1.3：随机产生3组参数作为粒子群，并求取每组参数对应的小波系数；step1.4：求取每组小波系数的香农熵作为适应度值，将适应度最大值对应的参数组作为全局最优解，并更新粒子群位置及对应参数值；step1.5：判断迭代是否结束，若结束则输出全局最优解，即(a,f
b
,f
c
)，得到最优morlet小波；反之，则返回step1.3，直至迭代次数等于或大于30。3.根据权利要求1所述一种基于小波多参数优化的滚动轴承故障特征提取方法，其特征在于，所述步骤step1.1中，尺度参数a的优范围为[0，10]，步长为0.01,；带宽参数f
b
寻优范围为[0，40]，步长为0.2；中心频率f
c
寻优范围为[0，10]，步长为0.1。4.根据权利要求1所述一种基于小波多参数优化的滚动轴承故障特征提取方法，其特征在于，所述步骤step1.4中香农熵计算公式如下所示：p
i
是从小波系数获得的分布序列，计算公式为5.根据权利要求1所述一种基于小波多参数优化的滚动轴承故障特征提取方法，其特征在于，所述步骤step2中，对分析信号进行最优morlet小波变换后，利用峭度指数选取特征尺度，得到筛选后的小波系数，并进行信号重构，具体步骤包括：step2.1：对分析信号进行最优morlet小波变换得到小波系数w(a,n)；step2.2：计算小波系数的峭度值k
r
(a)和最大峭度k
mr
，选择k
r
(a)>0.75k
mr
的特征尺度a'；step2.3：选取特征尺度a'对应的小波系数w(a',n)，并重构信号。其中，峭度值通过下式计算：
x为信号序列，n为信号的长度，为平均值。用下述公式重构信号：w
′
(a,n)表示选定的筛选后的小波系数，c
lψ
由下式给出：6.根据权利要求1所述一种基于小波多参数优化的滚动轴承故障特征提取方法，其特征在于，所述步骤step3中，具体步骤为：step3.1：对重构信号进行teager能量算子teo解调分析，获得teo解调能量谱图；step3.2：提取teo解调能量谱图的特征频率。
技术总结本发明公开了一种基于小波多参数优化的滚动轴承故障特征提取方法，其特征在于，包括以下步骤：采用粒子群算法对Morlet小波的尺度、带宽及中心频率三个参数同时进行优化，得到符合分析信号特征的最优Morlet小波基函数。进一步考虑噪声对故障特征提取效果的影响，基于峭度准则进行降噪处理，完成小波系数的再次筛选，并进行信号重构。最后，对重构信号进行Teager能量算子TEO解调分析，提取故障特征频率。该方法既解决了小波变换核心参数寻优时陷入局部最优解的问题，又保证了小波参数之间的内在固有关系，有效提高了小波变换的精确度，且具有较强的抗噪性，可从强背景噪声中准确的提取滚动轴承故障特征。提取滚动轴承故障特征。提取滚动轴承故障特征。
技术研发人员：马军 曾尧 王晓东 熊新
受保护的技术使用者：昆明理工大学
技术研发日：2022.07.20
技术公布日：2022/11/1
