本发明提出了一种基于时频域多维故障特征融合的滚动轴承故障诊断算法，针对滚动轴承的正常状态、滚子故障、内环故障和外环故障四种状态下的振动信号在时频域上各自的特点，采取提取时域、频域特征，去冗余，再融合的思路，对故障特点进行优化描述，并得出智能判别结果。首先对提取的原始滚动轴承振动数据进行小波消噪，然后提取时域特征向量组成时域特征矩阵，并且提取小波包分解和重构后的系数能量矩组成频域特征矩阵，进一步融合时频域矩阵，得到时频域的多维故障特征矩阵。对多维特征矩阵进行去冗余处理，得到新的多维特征矩阵。然后用加权的特征指标距将多维特征进行信息融合，通过融合得到的特征指标距得出滚动轴承的状态的判别结果。
1.一种基于多维时频域特征矩阵的滚动轴承故障诊断方法，其特征在于包括以下步骤：消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理；
特征参数提取器对消噪后的不同工况下的滚动轴承的振动信息，提取多个时域特征参数，每个时域特征参数选取多组样本组成时域特征矩阵；
小波包分解器对消噪后的不同工况下的滚动轴承的振动信息，进行小波包分解，小波包重构器重构分解后的小波包系数；
计算处理器对重构的小波包系数进行能量矩计算，得到小波包能量矩阵；
所述计算处理器将时域特征矩阵和小波包能量矩阵融合为多维特征矩阵，用相关系数法剔除诊断精度不高的冗余特征向量，生成新的多维特征矩阵；
所述计算处理器求出滚动轴承多维特征矩阵的指标距；根据所述多维特征矩阵的指标距判断滚动轴承的状态属性。
2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，多维特征矩阵为由一组滚动轴承振动样本提取的不同特征参量组成的特征矩阵其中，r表示样本组数，s表示特征个数，A为多维特征矩阵。
3.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于， 所述消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理，包括：通过公式 对二进小波变换系数ωj,k进行压缩，
获得阈值消噪后的小波系数αj,k进行重构获得满足最小均方误差的消噪结果，其中，ωj,k为尺度j的第k点的小波系数， 为尺度j的小波变换系数均值，tj为尺度j下的消噪阈值水平，α j,k为经过消噪后在尺度j的第k点的小波系数；
利用函数 进行阈值估计，其中，Ci,j是第j尺度下小波系数的各个局部成分的复杂度的最大值，Cmax是等长的高斯白噪声复杂度，α0是置信度，τi,j是第j尺度的具有最大复杂度的局部成分鲁棒估计。
4.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述多个时域特征参数包括峭度、峰值、裕度、波形、脉冲和偏态。
5.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述计算处理器对重构的小波包系数进行能量矩计算，包括：利用公式 求出离散频带的能量矩数值，其中Aij为小波包重构系数，Δt为采样周期，i为采样点，j为系数序号，n为采样点总数；
提取归一化的能量矩特征向量，包括：构造向量P＝[E0,E1,E2,...,Em]，并根据公式 将其归一化，W为小波包能量矩阵。
6.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述计算处理器将时域特征矩阵和小波包能量矩阵融合为多维特征矩阵，包括：将时域-频域特征进行融合，融合矩阵为 其中n为测试样本数,T为时域特征矩阵,W为小波包能量矩阵,a为阈值消噪后的小波系数。
7.根据权利要求书1所述的滚动轴承故障诊断方法，其特征在于，相关系数组成的相关系数矩阵表示为： 求出所有特征的相关系数，形成相关系数矩阵，m、n为互不相等的类别代码，v为特征总数，d为相关系数矩阵的元素。
8.根据权利要求书7所述的滚动轴承故障诊断方法，其特征在于，相关系数矩阵通过硬阈值转化为布尔矩阵，布尔矩阵的每一列是否为全零列，是判断该特征是否冗余的标准。
9.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述多维特征矩阵的指标距即为多维特征矩阵内各个特征参量与均值的欧氏距离；
10.根据权利要求9所述的滚动轴承故障诊断方法，其特征在于，所述欧氏距离的权值λ为特征向量对应的相关系数的占空比。
一种基于时频域多维振动特征融合的滚动轴承故障诊断方法
技术领域
[0001] 本发明属于自动化检测及模式识别领域，具体涉及旋转机械故障诊断和智能识别方法。
背景技术
[0002] 滚动轴承的故障诊断大概始于20世纪60年代，经过几十年的迅猛发展，到现在已经成为一个融合了机械检测领域和自动控制领域以及模式识别领域的综合性应用学科。
[0003] 滚动轴承作为机械设备中的关键部件，其状态对机械系统的正常运行起着至关重要的作用。影响滚动轴承运行状态的因素有很多如温度、机械和环境因素，有些故障是瞬间产生的，而有些是缓慢长期退化引起的，由此产生的滚动轴承故障形式是多样的，引起的故障严重程度也有差别。滚动轴承由外环、内环、滚子和保持架等单元组成。滚动轴承的故障复杂性还体现在单元故障特征多样性以及单元的故障原因不唯一，通过轴承故障诊断，定位轴承故障单元，对找出故障原因起着关键作用。
[0004] 1946年，Gabor提出的短时傅里叶变换是最早提出的一种时频分析方法，只适于分析在时间窗内平稳的一些缓变的非平稳信号，时间窗内的分辨率是固定不变的。经验模态分解(EMD)最早由美国国家宇航局的美籍华人Norden E.Huang于1996年提出，是一种基于经验的非线性、非平稳信号分析方法，目前尚未有原理证明该方法的科学性。EMD提取的IMF个数的判别算法并不完善，容易出现端点效应，丢失信号的频率信息，使诊断精度受到影响，并且提取信号边际谱和Hilbert谱的算法时间复杂度高，不利于实际操作。小波包分析是基于时频域的信号处理方法，其良好的局部优化性质，使得小波包分析在处理非平稳信号上表现出多尺度和对突变信号的探测能力，成为故障诊断和信号分析领域的研究的热点。
[0005] 单一的时域特征和频域特征所反映的信号特征不全面，时域特征无法反映频域的振动信息，同样在频域分析中无法反映出时域的特征趋势。以往的故障诊断中，都是提取单一域的特征，或者提取少量典型特征进行诊断分析，诊断精度有限，这就迫切需要更加全面的诊断算法，来实现诊断精度的突破。并且在智能判别算法上，神经网络等各种非线性分类器的算法复杂度要高，而采用特征指标距进行分类，不仅降低算法复杂度，还利于编程实现，具有良好的工程应用价值。
发明内容
[0006] 本发明目的在于从更全面，更高精度和更小复杂度方面优化滚动轴承故障诊断技术，提出了一种基于时频域多维振动特征融合的滚动轴承故障诊断方法，该方法全面反映滚动轴承振动信号的特征，并且在很短的时间内完成很高的诊断正确率，同时易于实现轴承的实时在线监测，该方案的具体步骤如下：
[0007] 消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理；
[0008] 特征参数提取器对消噪后的不同工况下的滚动轴承的振动信息，提取多个时域特征参数，每个时域特征参数选取多组样本组成时域特征矩阵；
[0009] 小波包分解器对消噪后的不同工况下的滚动轴承的振动信息，进行小波包分解，小波包重构器重构分解后的小波包系数；
[0010] 计算处理器对重构的小波包系数进行能量矩计算，得到小波包能量矩阵；
[0011] 所述计算处理器将时域矩阵和频域矩阵融合为多维特征矩阵，用相关系数法剔除诊断精度不高的冗余特征向量，生成新的多维特征矩阵；
[0012] 所述计算处理器求出滚动轴承多维特征矩阵的指标距；根据多维特征指标距判断滚动轴承的状态属性。
[0013] 该方案的特点首先给出了多维特征矩阵的定义，全面反映了振动信号的时域和频域特征，提高诊断精度；然后，去除诊断效果较差的特征的影响，减少特征冗余，提高算法的计算时间复杂度；第三，采用多维特征指标距进行智能诊断，提高诊断效率，采用各种编译器都容易进行算法实现。
附图说明
[0014] 图1是多维时频域振动特征融合的滚动轴承故障诊断流程图
[0015] 图2是正常滚动轴承原始振动信号和消噪后振动信号对比
[0016] 图3是内环故障滚动轴承原始振动信号和消噪后振动信号对比
[0017] 图4是提取的四种状态下的轴承振动信号时域特征对比图
[0018] 图5是时域特征诊断可靠度对比图
[0019] 图6是频域特征均值和方差
[0020] 图7是多维特征矩阵去冗余结果
[0021] 图8是特征指标距的诊断结果图
具体实施方式
[0022] 本发明所提出的基于多特征参量的滚动轴承故障诊断方法流程图如图1所示:
[0023] S101.消噪器对采集到的滚动轴承振动信号进行自适应阈值的小波消噪处理；
[0024] 消噪器对采集的原始的滚动轴承振动信号进行自适应阈值的小波消噪处理。滚动轴承在运行中往往受到附近设备振动以及其它外界因素的影响，在实际应用中，消噪器需要对信号进行消噪处理，去除干扰信息，以保证滚动轴承故障诊断真实可靠。消噪采用小波自适应阈值的方法进行，通过下式先对二进小波变换系数ωj,k进行压缩，获得阈值消噪后的小波系数αj,k 进行重构获得满足最小均方误差的消噪结果：
[0025]
[0026] 其中，ωj,k为尺度j的第k点的小波系数， 为尺度j的小波变换系数均值，tj为尺度j下的消噪阈值水平，αj,k为经过消噪后在尺度j的第k点的小波系数。
[0027] 为了获得满足最大信噪比的消噪阈值估计，采用能满足阈值估计的函数：
[0028]
[0029] 其中，Ci,j是第j尺度下小波系数的各个局部成分的复杂度的最大值，Cmax是等长的高斯白噪声复杂度，α0是置信度，τi,j是第j尺度的具有最大复杂度的局部成分鲁棒估计。
[0030] 经验系数 用来纠正信号中的噪声的影响，其意义就是需要对信号中没有不含有效信号的时间段的估计阈值进行修正。为了在去除噪声的同时最大程度保留信号的特征信息，置信度α0选择为一定置信范围的局部信号标准差统计的加权值。
[0031] 采集的正常状态下的滚动轴承原始振动信号n1(t)和采用自适应阈值的小波消噪后信号x1(t)，如图2所示。采集的内环故障状态下的滚动轴承原始振动信号n2(t)以及采用自适应阈值的小波消噪后的内环故障信号x2(t)，如图3所示。
[0032] S102.特征参数提取器对消噪后的不同工况下的滚动轴承的振动信息，提取多个时域特征参数，每个时域特征参数选取多组样本组成时域特征矩阵；
[0033] 特征参量提取器对消噪后的不同工况下的滚动轴承的振动信息，提取时域6个时域无量纲的特征参量，选取8组样本成时域特征矩阵。所选的原始时域特征参量为峭度、峰值、裕度、波形、脉冲、偏态，想要得到这些特征，首先要求得以下有量纲的参量：
[0034] 方均根(Root-Mean-Squarevalue)
[0035] 方根幅值(Radical-Number-Amplitude)
[0036] 绝对平均幅值(Average-Absolute-Amplitude)
[0037] 在有量纲的参量基础上，求得以下无量纲参量作为时域特征，组成时域特征向量 T=[kv cf cl sf if sk]，公式为：
[0038]
[0039] 正常、滚子故障、内环故障和外环故障四种状态下的滚动轴承振动信号时域特征参数对比如图4所示。6种时域特征参量的轴承状态辨识可靠度如图5所示。
[0040] S103.小波包分解器对消噪后的不同工况下的滚动轴承的振动信息，进行小波包分解，小波包重构器重构分解后的小波包系数；
[0041] 小波包分解器及小波包重构器分别对预处理后的信号进行小波包分解和重构，提取重构信号的能量矩。将信号s(t)按任意时频分辨率分解到不同的频段，并将信号s(t)的时频成分相应地投影到所有代表不同频段的正交小波包空间。其中，小波包重构器进行小波包重构的方法和小波包分解器进行小波包分解的推演过程完全相反。小波包分解公式为[0042]
[0043] 重构公式为：
[0044]
[0045] 其中，hL-2k*和gL-2k*分别是分解高通滤波器和分解低通滤波器；hk-2L和gk-2L是重构hL-2k*和gL-2k*的高通滤波器和重构低通滤波器， 是待分解的信号系数。采用4层db3小波包分解算法对信号进行分解，并重构得到16个重构后的频带系数c0～c15。
[0046] 求出这16个离散频带的能量矩数值，公式为
[0047]
[0048] 其中Aij为小波包重构系数，Δt为采样周期，i为采样点，j为系数序号，n为采样点总数。
[0049] 提取归一化的能量矩特征向量。构造向量P=[E0,E1,E2,...,Em]，并将其归一化：
[0050]
[0051] 得到的最后的矩阵W即为频域特征矩阵。图6所示为各状态频域特征的样本均值和方差。
[0052] S104.计算处理器对重构的小波包系数进行能量矩计算，得到小波包能量矩阵；
[0053] 计算处理器将时域特征矩阵T和频域特征矩阵W组成时频域初级多维特征矩阵PM，利用相关系数公式将冗余特征剔除，得到次级多位特征矩阵SM。首先求出相关系数矩阵，相关系数公式为：
[0054]
[0055] 其中，i为样本序号，j为特征序号，A、B为两组类别，n为测试样本个数。
[0056] 相关系数组成的相关系数矩阵表示为： 用阈值将相关系数矩阵转化为布尔矩阵B，转化规则为：
[0057]
[0058] b为布尔矩阵B的元素，d为相关系数矩阵的元素。表示去冗余误差阈值。
[0059] 若布尔矩阵的列向量是零向量，则该列对应维度的初级特征矩阵的列向量被剔除。由此得出次级多维特征矩阵，如图7。
[0060] S105.所述计算处理器将时域矩阵和频域矩阵融合为多维特征矩阵，用相关系数法剔除诊断精度不高的冗余特征向量，生成新的多维特征矩阵；
[0061] 计算处理器用欧式距离公式求出的多维指标距，将次级多维特征融合。多维特征指标距的公式为：
[0062]
[0063] 其中，i为特征序列，j为样本序列， 为特征均值，λ为权值，由特征向量对应的相关系数的占空比决定，即：
[0064]
[0065] 其中，k为布尔矩阵中的列向量元素的和。诊断结果如图8。
[0066] S106.所述计算处理器求出滚动轴承多维特征矩阵的指标距；根据多维特征指标距判断滚动轴承的状态属性。
[0067] 利用四组状态下的轴承样本数据求出四组欧氏距离指标距，通过此值判定未知状态的新数据的状态归属。
