科创中国

技术领域

本发明涉及旋转机械故障诊断领域，尤其涉及一种基于时频谱分割的变速旋转机械故障诊断方法。

背景技术

旋转机械设备的关键旋转部件的故障诊断在保障设备安全稳定运行和剩余寿命预测中起着至关重要的作用。在旋转部件出现冲击类故障，如点蚀、裂纹、剥落等，会产生阻尼振动，通过加速度传感器采集的振动信号表现为脉冲衰减信号，对这类脉冲衰减信号的识别和提取是实现故障诊断的前提。对于稳定转速的机械设备，其脉冲衰减信号的特征是周期性、稀疏性和微弱性，最终可通过故障特征频率确定故障类型；而对于变速的机械设备，其脉冲衰减信号的特征是非周期性的、稀疏性和微弱性，即使故障特征信号被准确提取出来，依然无法直接通过故障特征频率确定旋转部件的故障类型。

传统的针对变速旋转机械的故障诊断方法，大多是通过广义解调方法，将信号的时频信息通过时频谱进行处理，通过抵消转频随时间的变化趋势，计算瞬时故障特征频率。这类方法在处理变速电机电流故障信号和变速旋转机械的磨损类故障中具有良好的效果。但是，由于冲击类故障的冲击成分基本与转频无严格的关联，无法通过时频谱获取转频随时间变化的趋势信息，更无法计算瞬时故障特征频率，因此，难以解决变速旋转机械的裂纹、点蚀或剥落等故障诊断问题。

文献检索查到相关专利：2007年08月01日公开的申请号为CN201610841544.X的发明专利《基于卷积神经网络和小波灰度图的旋转机械故障诊断方法》，提供基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，包括小波分解方法和卷积神经网络方法，将振动信号进行多尺度小波分解以得到小波灰度图；再将小波灰度图输入到卷积神经网络进行分析诊断以得到旋转机械的故障诊断结果。

但是，上述专利存在两大缺陷：①对于低信噪比的冲击类故障信号，小波分解的效果与所选小波基、分解层数等直接相关，很难将微弱的高频振荡的冲击信号从强噪声中提取出来；②针对变速旋转机械，由于信号的不确定性，难以通过有限的样本训练出有效的神经网络模型，因此，无法对变速旋转机械进行故障诊断。

发明内容

本发明的目的在于提供一种基于时频谱分割的变速旋转机械故障诊断方法，以解决上述问题。

本发明采用了如下技术方案：

一种基于时频谱分割的变速旋转机械故障诊断方法，其特征在于，包括如下步骤：

步骤一，通过多分辨率广义S变换获取信号的归一化时频谱，经过二值化处理，生成多分辨率二值化时频谱，

步骤二，根据图像融合规则，将所有分辨率下的二值化时频谱进行融合，获得一个最优的二值化时频谱，

步骤三，采用图像分割方法，将最优的二值化时频谱分割成若干个连通域，并对每个连通域进行信息标注，

步骤四，提取各连通域的最佳表示原子，构成最佳原子集合，计算故障信号在最佳原子集合下的表示，

步骤五、根据转速信息、故障冲击信息和故障产生机理，计算冲击理论出现时间和幅值，通过信息比对实现变速机械设备的故障诊断。

进一步，本发明的基于时频谱分割的变速旋转机械故障诊断方法，还可以具有这样的特征：

步骤一中包括如下步骤：

在采集故障振动信号后，根据下面表达式，计算出不同尺度下的广义S变换结果：

再通过归一化处理，计算出归一化时频结果：

其中，

GST——广义S变换；

MGST——多分辨率广义S变换

x(t)——故障振动信号；

t——振动信号的时间；

i——虚数单位；

u——位移因子；

f——频率因子；

λ——尺度因子；

——归一化参数。

通过图像的二值化处理，将所有的时频谱转换成二值时频谱：

二值化处理的阈值选择规则如式(3)所示：

二值化的具体操作如式(4)所示：

其中，

T——二值化阈值

aλ——尺度因子为λ的时频谱对应的数据矩阵；

N——矩阵aλ的数据总个数；

m——矩阵aλ的行索引值；

n——矩阵aλ的列索引值。

进一步，本发明的基于时频谱分割的变速旋转机械故障诊断方法，还可以具有这样的特征：

步骤二中，根据图像融合规则，将所有分辨率下的二值化时频谱进行融合，获得一个最优的二值化时频谱，

其中，

a——最优二值化时频谱对应的数据矩阵；

Π——所有元素的并运算；

λ0——第1个尺度因子；

λm——第m-1个尺度因子。

进一步，本发明的基于时频谱分割的变速旋转机械故障诊断方法，还可以具有这样的特征：

步骤三中，采用像素点8连通的原则，将最优二值化时频谱分割成若干个独立的连通域，并对每个连通域进行编号标准。

进一步，本发明的基于时频谱分割的变速旋转机械故障诊断方法，还可以具有这样的特征：

计算步骤一的多分辨率归一化时频谱在每个标注后的连通域范围内的能量最大值，并根据最大值对应的时频信息提取各连通域的最佳表示原子，构成最佳原子集合，然后，计算出故障信号在最佳原子集合下的稀疏表示，从而提取故障特征信号和滤除噪声。

进一步，本发明的基于时频谱分割的变速旋转机械故障诊断方法，还可以具有这样的特征：

根据步骤四提取的故障特征信号的任意一个冲击信息，结合采集的瞬时转频信息和冲击类故障产生的机理，分别计算出旋转部件轴承外圈、内圈、滚动体在出现裂纹、点蚀或剥落时的理想信号，最后，通过信号的信息比对，及与不同故障位置的理想信号的相关性比较，对故障位置进行判断，实现变速旋转机械裂纹、点蚀和剥落冲击类故障的诊断。

进一步，本发明的基于时频谱分割的变速旋转机械故障诊断方法，还可以具有这样的特征：

其中，多分辨率广义S变换中尺度因子的取值范围，设置为[0.1，2.0]，以间隔0.1的步长进行采样。

发明的有益效果

本发明的基于时频谱分割的变速旋转机械故障诊断方法的有益效果是：①通过时频谱分割可以快速提取出故障的冲击信号特征，将信号进行稀疏表示，滤除绝大部分的强背景噪声；②根据信号稀疏分解的原子时频信息，和设备的运行参数及机械参数，采用信息比对，可对变速旋转机械的裂纹、点蚀或剥落等冲击类故障进行快速、有效的故障诊断。