一种基于短时傅里叶变换的谱幅值调制滚动轴承故障诊断方法

1.本发明属于旋转机械故障诊断领域，具体涉及一种利用短时傅里叶变换改进谱幅值调制算法的滚动轴承故障诊断方法。


背景技术：

2.滚动轴承是旋转机械中使用最广泛的零部件，同时也是最容易产生故障和损坏的元件之一，因此，为了避免重大安全事故的发生，减少财产损失和人身伤亡，需要对滚动轴承进行状态检测和故障诊断。由于其恶劣的工作环境和复杂的背景噪声，传统的故障诊断方法往往难以识别设备的早期故障，因此，如何识别和提取复杂条件下设备的微弱故障是目前研究的主要方向。
3.在目前提出的众多故障诊断方法中，包络分析，即共振解调技术，是应用最为广泛且有效的方法之一。这一方法先对由激励产生的共振频带进行带通滤波处理，然后对滤波所得的信号进行包络解调，计算轴承的故障特征频率并与包络谱中的故障特征频率进行对比，从而判断是否存在相应类型的故障。
4.然而，共振频带的选取是目前面临的一个主要问题，基于谱峭度的峭度图方法可以找到一个最佳的解调频带，但如果仅从一个频带恢复原信号，就会忽略很多微弱的故障信息，所以有必要对原信号采用多频段滤波的方法来完全提取出故障信号。
5.为了解决这一问题，人们提出了一种新的非线性滤波信号分离方法谱幅值调制(sam)，它通过对傅里叶变换得到的幅值谱赋予不同的指数权重后进行傅里叶逆变换得到修正信号，再通过修正信号的平方包络谱来识别故障特征。这一方法凭借其效率高、自适应强、计算简便，无需依赖于评价指标的优势，取得了显著的效果。但由于该方法是对整个时域信号进行傅里叶变换，在频域中存在明显的平均效应，导致其在复杂噪声影响下的修正信号平方包络谱模糊，难以识别故障特征频率及其倍频成分。


技术实现要素：

6.为了弥补现有算法中的不足，本发明提供了一种基于短时傅里叶变换的谱幅值调制滚动轴承故障诊断方法。具体来说，该方法通过对振动信号进行短时傅里叶变换获得时频域中的幅值和相位，然后对幅值赋予不同的指数权重，并结合信号的原始相位进行短时傅里叶逆变换，从而得到一系列的修正信号，最后通过计算和分析修正信号的平方包络谱得到故障特征信息。
7.本发明包括如下步骤：
8.第一步：采集轴承振动信号x(τ)，其中采样频率为fs，采样点数为n，信号的短时傅里叶变换可以表达为
[0009][0010]
式中j为虚数单位，stft表示短时傅里叶变换，g(τ-t)是移动的窗。将信号短时傅
里叶变换的结果表达为幅值a(t,f)和相位的形式如下
[0011][0012]
第二步：保持相位不变，在-0.5≤mo≤1.5范围内每隔0.1取一个mo值作为指数权重并计算a(t,f)
mo
，得到21组不同幅值；
[0013]
第三步：将得到的不同指数权重下的a(t,f)
mo
与原信号的相位组成新的编辑谱；
[0014]
第四步：对得到的编辑谱利用短时傅里叶逆变换算法，得到一系列不同的修正信号，其公式为
[0015][0016]
这一公式也可以表达为
[0017][0018]
式中xm代表修正信号，istft表示短时傅里叶逆变换。
[0019]
第五步：对修正信号进行希尔伯特变换和傅里叶变换得到平方包络谱，进一步降低噪声的影响并突出故障特征频率；
[0020]
第六步：对平方包络谱进行归一化处理，得到基于短时傅里叶变换的谱幅值调制；
[0021]
第七步：根据转速计算相应的故障特征频率，并判断轴承故障类型。
[0022]
相比于使用傅里叶变换计算幅值和相位，基于短时傅里叶变换的谱幅值调制能够同时获得信号时间和频率两方面的信息，在幅值调制过程中能够得到更加准确和全面的结果。运算结果显示，在复杂噪声环境下，这一方法相比于传统包络谱能够获得更加清晰的故障信息，极大程度地减小了噪声对故障特征频率识别的影响；相比于现有的使用傅里叶变换的谱幅值调制，基于短时傅里叶变换的谱幅值调制能够获得更加清晰的最大平方包络谱，从而更容易识别故障特征频率及其倍频成分。
附图说明
[0023]
图1为本发明的滚动轴承故障诊断方法流程图；
[0024]
图2为本发明中振动信号的波形和频谱；
[0025]
图3为本发明中振动信号的包络谱；
[0026]
图4为本发明中振动信号基于短时傅里叶变换的谱幅值调制结果的三维视图；
[0027]
图5为本发明中振动信号基于短时傅里叶变换的谱幅值调制结果的二维视图；
[0028]
图6为本发明中振动信号基于短时傅里叶变换的谱幅值调制结果的最大平方包络谱；
[0029]
图7为本发明中振动信号基于短时傅里叶变换的谱幅值调制结果mo＝0.6时的平方包络谱。
具体实施方式
[0030]
本发明方法以6307型号轴承的内圈故障信号为例，电机转速为1496r/min，采样频率为15360hz。经计算后，该轴承的内圈故障特征频率fi＝122.74hz。
[0031]
首先选择带有内圈故障的滚动轴承箱，将电机启动起来，利用数据采集器对轴承振动信号进行数据采集，并将采集到的数据传输到电脑中，利用本方法进行后续的数据处理分析。
[0032]
绘制原始波形，并利用快速傅里叶变换算法得到采集信号的频谱。图2为采集到的故障信号波形及其频谱。从信号的原始波形中无法观察到明显的周期性故障冲击，且频谱中的边频带成分也较难分辨。
[0033]
然后利用包络解调的方法对振动信号进行处理，得到信号的包络谱，如图3所示。从图中可以看出，受到复杂噪声的影响，包络谱中的有效信息被淹没，很难进行准确的故障诊断。
[0034]
对原始信号进行短时傅里叶变换，对结果分别求绝对值和相角获取信号时频域中的幅值a(t,f)和相位其形式用下式表示
[0035][0036]
式中j为虚数单位，stft表示短时傅里叶变换。
[0037]
保持求得的相位不变，设置指数权重mo范围为-0.5≤mo≤1.5且每隔0.1取一个mo值计算a(t,f)
mo
，得到21组不同幅值，再将得到的不同指数权重下的a(t,f)
mo
与原信号的相位组成21组新的编辑谱，对不同mo得到的编辑谱进行短时傅里叶逆变换，得到一系列不同的修正信号，其形式用下式表示
[0038][0039]
式中xm代表修正信号，istft表示短时傅里叶逆变换。
[0040]
分别对每组修正信号进行希尔伯特变换和傅里叶变换得到21组平方包络谱，然后进行归一化处理得到归一化后的平方包络谱，设置x轴为频率，z轴为归一化后的幅值，将不同mo值下的结果沿y轴排列，得到振动信号基于短时傅里叶变换的谱幅值调制结果的三维视图如图4所示，同时得到图5为基于短时傅里叶变换的谱幅值调制结果的二维视图，即图4的俯视结果，图中可以明显观察到6307型号轴承内圈故障特征频率fi及其倍频所在峰值。
[0041]
将沿mo轴方向观察所得的结果画在如图6所示的最大平方包络谱中，图中每个频率对应的幅值均为该频率下的最大幅值，可以视为最优mo值对应的结果，可以观察到图中故障特征频率fi及其倍频较为清晰。
[0042]
单独提取mo＝0.6时的平方包络谱如图7所示，图中低频部分出现了明显的峰值(图7中标出的频率成分)，其大小与6307型号轴承内圈故障特征频率fi及其倍频相似，故可以认为该轴承内圈出现故障。
[0043]
因此，本发明针对sam易受复杂噪声影响的不足，提出了一种基于短时傅里叶变换的谱幅值调制方法，该方法操作简单，计算效率高，自适应性强，可以有效地对滚动轴承故障信号进行故障特征提取，且结果中故障特征频率突出，诊断效果较好。

技术特征：
1.一种基于短时傅里叶变换的谱幅值调制滚动轴承故障诊断方法，其特征在于，该方法由以下步骤组成：第一步：采集轴承振动信号x(t)，其中采样频率为f
s
，采样点数为n，利用短时傅里叶变换算法得到其时频域中的幅值a(t,f)和相位其形式为式中j为虚数单位，stft表示短时傅里叶变换；第二步：保持相位不变，在-0.5≤mo≤1.5范围内每隔0.1取一个mo值作为指数权重并计算a(t,f)
mo
，得到21组不同幅值；第三步：将得到的不同指数权重下的a(t,f)
mo
与原信号的相位组成新的编辑谱；第四步：对得到的编辑谱利用短时傅里叶逆变换算法，得到一系列不同的修正信号，其形式为式中x
m
代表修正信号，istft表示短时傅里叶逆变换；第五步：对修正信号进行希尔伯特变换和傅里叶变换得到平方包络谱，进一步降低噪声的影响并突出故障特征频率；第六步：对平方包络谱进行归一化处理，得到基于短时傅里叶变换的谱幅值调制；第七步：根据转速计算相应的故障特征频率，并判断轴承故障类型。

技术总结
本发明公开了一种基于短时傅里叶变换的谱幅值调制滚动轴承故障诊断新方法，对于采集到的复杂轴承信号，通过短时傅里叶变换得到其时频域中的幅值和相位，保持相位不变，用不同的指数权重改变其幅值并将结果与原相位构成编辑谱，然后进行短时傅里叶逆变换得到修正信号，最后对修正信号进行希尔伯特变换和傅里叶变换得到平方包络谱，从而降低噪声的影响并突出故障特征频率。通过对平方包络谱进行分析，可以提取出故障特征频率，最终实现滚动轴承的故障诊断。故障诊断。故障诊断。


技术研发人员：胥永刚 姜祖华 杨苗蕊 陈忠伟
受保护的技术使用者：北京工业大学
技术研发日：2022.09.11
技术公布日：2023/8/24