一种用于采集和提取低速重载设备故障特征信息的方法
【专利摘要】本发明公开了一种采集和提取低速重载设备故障特征信息的方法，可用于提取设备微弱故障信号。通过安装在设备轴承座上的声发射传感器采集设备工作状态下的声发射信号，应用非线性冗余提升小波对采集到的声发射信号预处理，对预处理后的声发射信号进行经验模态分解得到若干个本征模态分量，把冲击性和周期性明显的本征模态分量与原始信号组成混合信号，再应用独立分量分析技术分离出独立信号并作傅立叶变换，从而提取出设备的微弱故障特征。该方法能有效提取出低速重载设备的微弱故障特征信息，对设备的故障诊断提供了有效的依据。
【专利说明】一种用于采集和提取低速重载设备故障特征信息的方法
【技术领域】
[0001]本发明涉及一种用于采集和提取设备故障特征信息的方法，特别是一种用于采集和提取低速重载设备微弱故障特征信息的方法。
【背景技术】
[0002]低速重载设备由于低速运转，载荷复杂多变，加上生产环境恶劣，设备很容易发生故障。该类设备一旦突发故障可能会导致生产中断，给企业造成巨大的经济损失，甚至还会造成人员伤亡，因此及时的发现设备的故障隐患具有十分重要的现实意义。
[0003]低速重载设备故障振动信号能量微弱，容易被周围强烈的环境噪声所淹没，从而常用的振动检测方法难以奏效。复杂的工厂环境中，传感器拾取的信号一般是由若干个源信号混叠而成的混合信号，这给故障诊断带来了困难，独立分量分析技术为解决上述问题提供了很好的方法。传统的独立分量分析技术限于非高斯、平稳和相互独立的源信号，且传感器的观测数多于源信号数。在实际机械故障诊断过程中，机械故障源信号通常不会满足这些假设条件，从而无法进行故障诊断。
【发明内容】
[0004]本发明的基本原理是采用声发射检测设备采集声发射信号，应用非线性冗余提升小波对采集到的声发射信号预处理，然后对预处理后的信号经验模态分解得到若干个本征模态分量，再把冲击性和周期性明显的本征模态分量与原始信号组成混合信号，最后应用独立分量分析技术分离出独立信号并作快速立里叶变换，提取出故障信息。
[0005]本发明具体包括以下步骤:
[0006](I)将声发射传感器安装在设备需要检测的位置，通过与传感器相连接的声发射数据采集仪采集设备在工作状态下的声发射信号。
[0007](2)应用非线性冗余提升小波对步骤(1)采集到的声发射信号进行预处理，可以起到很好的降噪作用，非线性冗余提升小波的步骤:
[0008]I)根据插值细分方法获得各层的初始预测系数和更新系数，再引入’ 算法对初始系数进行插值补零运算，即对于第j层分解，在初始预测系数和更新系数之间插入2J-1个零值，以得到该层的预测系数和更新系数；结合尺度函数和小波函数的频率特性，选取多组具有不同长度的预测算子和更新算子并且令及< iV，以此得到小波函数；应用小波函数对信号进行小波包分解并对分解得到的系数归一化处理并求取Ip范数，其计算公式如下:
[0009]
【权利要求】
1.一种采集和提取低速重载设备故障特征信息的方法，其特征在于:该方法包括以下步骤， (1)将声发射传感器安装在设备需要检测的位置，通过与传感器相连接的声发射数据采集仪采集设备在工作状态下的声发射信号； (2)应用非线性冗余提升小波对步骤(1)采集到的声发射信号预处理；非线性冗余提升小波的步骤 1)根据插值细分方法获得各层的初始预测系数和更新系数，再引入’atrous算法对初始系数进行插值补零运算，即对于第j层分解，在初始预测系数和更新系数之间插入2[1个零值，以得到该层的预测系数和更新系数；结合尺度函数和小波函数的频率特性，选取多组具有不同长度的预测算子和更新算子并且令# SiV，以此得到小波函数；应用小波函数对信号进行小波包分解并对分解得到的系数归一化处理并求取Ip范数，其计算公式如下
2.根据权利要求1所述的一种采集和提取低速重载设备故障特征信息的方法，其特征在于: (1)将声发射传感器安装在轴承座上，通过与声发射传感器相连接的声发射数据采集仪采集设备在工作状态下的声发射信号； (2)应用非线性冗余提升小波对步骤(1)采集到的声发射信号进行预处理，非线性冗余提升小波的步骤， . 1)根据插值细分方法获得各层的初始预测系数和更新系数，再引入A/ro〃.V算法对初始系数进行插值补零运算，即对于第j层分解，在初始预测系数和更新系数之间插入2[1个零值，以得到该层的预测系数和更新系数；结合尺度函数和小波函数的频率特性，选取N =.4，12，20和及= 4,12,20 (N<N)分别作为预测算子和更新算子的长度，以此组合一共得到(4，4)、(12，4)、(12，12)、(20，4)、(20，12)和(20，20)六种小波函数；应用这六种小波函数对声发射信号进行小波包分解并对分解得到的六组小波包系数归一化处理并求取Ip范数，P的取值为0.1，取范数最小时对应的预测算子和更新算子为节点的最优算子； .2)对步骤I)分解得到的各个节点求取归一化小波包能量，并取出能量最大的节点； . 3)保留步骤2)中小波包能量分析中能量最大的节点信息并将其他节点信息全部置零；再根据小波包分解时记录各个节点的分解路径进行逆向重构；最后根据非线性算法，在进行每次分解时记录各个节点所选用的最优预测算子和更新算子，根据记录结果进行逆向非线性重构得到重构信号x(t)； (3)采用经验模态分解方法对步骤(2)得到的重构信号进行分解，得到η个本征模态分量；选取其中冲击性和周期性明显的本征模态分量，与步骤(1)中的原始信号重新组成混合信号； (4)将步骤(3)得到的混合信号作为快速独立分量分析的输入数据，得到独立分量分析计算后的分量，即分离出独立信号，图8所示为独立分量分析计算后的分量图； (5)对步骤(4)的独立信号分别作快速傅立叶变换，得到频谱图，通过观察频谱图提取出有用的信息；从图中可以看到259.4Hz的基频以及其倍频，从而提取出故障信息判断出故障隐患部件，实现设备故障的早期诊断。
【文档编号】G01M99/00GK103926097SQ201410133342
【公开日】2014年7月16日 申请日期:2014年4月3日 优先权日:2014年4月3日
【发明者】朱立欢, 崔杰, 高立新, 阳子婧 申请人:北京工业大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
