基于时频脊线的线性变速工况下的滚动轴承故障诊断方法

1.本技术涉及旋转机械故障诊断技术领域，具体涉及基于时频脊线的线性变速工况下的滚动轴承故障诊断方法。


背景技术：

2.滚动轴承广泛应用于旋转机械中，同时也是旋转机械最易损坏的元件之一。滚动轴承也是旋转机械最基本的机械元件。在实际工作环境中，轴承具备一定的承载作用且部分轴承工作条件恶劣，使得轴承往往具有较高的故障率。若滚动轴承在工作状态下出现异常，且无任何预警或阻断措施，轻则会影响机械系统的正常运转及工业生产的正常进行，重则会造成一定的人员伤亡，甚至会产生灾难性的后果。因此，对于滚动轴承的状态监测和故障诊断显得尤为重要，对滚动轴承故障高效、准确的诊断是保证机器安全运转的前提。
3.目前，在线性变速工况下，滚动轴承振动信号具有非平稳性、时变性的特点，使得轴承故障特征的提取变得更加困难。同时，传统时域或频域特征易受到转速的影响，鲁棒性较差，缺少描述变转速工况下故障特征的稳定指标。此外，目前对轴承故障的诊断不仅需要人工的参与，还需要大量专家经验才能准确判断轴承是否出现故障。


技术实现要素：

4.本技术的主要目的在于提供一种线性变速工况下的轴承故障诊断方法，以解决现有技术中缺少描述线性变速工况下故障特征的稳定指标以及需要具有专家经验的人工参与故障诊断的问题。
5.为了实现上述目的，本技术通过以下技术方案实现：基于时频脊线斜度特征的线性变速工况下的滚动轴承故障诊断方法，具体步骤如下：
6.步骤1：获取线性变速工况下的滚动轴承振动信号，其中，所述振动信号采用振动加速度传感器采集；
7.步骤2：从所述振动信号中选取一个时间段作为待测信号，将所述待测信号利用时频分析方法转换为含有时频脊线特征的时频图像。
8.步骤3：从所述时频图像中提取时频脊线斜度特征，所述时频脊线斜度特征包括伪斜率特征与伪角度特征。
9.步骤4：从所述时频图像中提取时频图像特征，所述时频图像特征为tamura特征。
10.步骤5：将时频脊线斜度特征与tamura纹理特征转化为融合特征。
11.步骤6：利用所述时频脊线特征、tamura特征以及融合特征作为特征指标进行故障状态分类识别，以实现滚动轴承的故障诊断。
12.(1)所述步骤2中，时频分析方法为stft方法，其中，所述时频脊线特征为所述时间段内的轴承故障频率特征，用于表征所述轴承的故障状态。
13.(2)基于时频图像提取时频脊线斜度特征，时频脊线斜度特征的计算公式如下：
14.伪斜率：
15.伪角度：a
p
＝arctank
p
；
16.其中，t表示初始时刻，t为时间间隔，y1为t时刻y轴坐标，y2为t+t时刻对应y坐标。
17.(3)所述步骤3中，tamura特征包括粗糙度、对比度、方向性三个特征，按下列公式计算出所述tamura特征：
18.粗糙度：
19.上式用于计算图像中大小以2
p
×2p
为尺寸的矩形的窗口中每个像素点的亮度，其中，(a,b)代表矩形窗口中第(i，j)点的亮度均值，可通过p来确定像素的范围。
20.e
p,h
＝|a
p
(a+2
p-1
,b)-a
p
(a-2
p-1
,b)|；
21.e
p,v
＝|a
p
(a,b+2
p-1
)-a
p
(a,b-2
p-1
)|；
22.s
best
(a,b)＝2
p
；
23.e
p
＝e
max
＝max(e1,e2,...,eh)；
24.其中，e
p，h
代表该像素点水平方向差值，该像素点垂直方向差值为e
p，v
。在各个像素点上寻找能使e值达到最佳尺寸s
best
的p值，在该p值下，e值在任何方向都能达到最大值。
[0025][0026]
其中，粗糙度f
crs
为整幅图像最佳尺寸的平均值，m和n为图像的宽度和高度。
[0027]
对比度：
[0028]
其中，σ代表图像灰度的标准方差，α4代表图像灰度值的峰态，通过α4＝μ4/σ4计算；μ4是四阶矩均值，σ2表示图像灰度值的方差。
[0029]
方向性：
[0030]
其中，n
p
代表超过设定阈值的像素的个数，通过计算所有像素的梯度向量数目，利用上述向量可以计算直方图hd，hd对角度的范围进行了离散化处理，直方图的峰值的位置由表示。
[0031]
(4)将时频脊线斜度特征与tamura纹理特征以数值求和的方式转化为融合特征，所述时频脊线斜度特征指伪斜率和伪角度特征，所述tamura纹理特征指粗糙度、对比度、方向性特征。所述数值求和方式指特征值的数值相加，所述融合特征为一维数组。
[0032]
(5)利用所述时频脊线特征、tamura特征以及融合特征结合极限学习机(extreme learning machine,elm)方法进行故障状态分类识别，实现轴承故障诊断。
[0033]
与现有技术相比，本发明的有益效果如下：
[0034]
针对线性变速工况下滚动轴承的故障诊断问题，本发明提出了基于时频脊线的线性变速工况下的滚动轴承故障诊断方法。首先，利用stft方法获取带有时频脊线特征的时频图像，从获取的时频图像中提取时频脊线斜度特征伪角度与伪斜率；然后，从获取的时频图像中提取tamura纹理特征，将时频脊线斜度特征与tamura纹理特征通过数值求和的特征融合方式组成特征向量；之后，将特征向量输入elm中，通过elm判断轴承的运行状态，实现轴承故障诊断。最后，通过实验证明采用本文的轴承故障诊断方法在线性变速工况下能够实现轴承故障的准确、高效识别。
附图说明
[0035]
构成本技术的一部分说明书附图用来提供对本技术的进一步理解。
[0036]
图1为本发明所述的基于时频脊线斜度特征的线性变速工况下的滚动轴承故障诊断方法的故障诊断流程图；
[0037]
图2为轴承振动信号时频转换原理图；
[0038]
图3为内圈故障振动信号的原始频率时频图与归一化频率时频图；
[0039]
图4为正常、内圈故障、外圈故障、滚动体故障状态下的原始频率下计算的伪斜率与伪角度特征分布图；
[0040]
图5为正常、内圈故障、外圈故障、滚动体故障状态下的tamura纹理特征粗糙度、对比度与方向性特征分布图；
[0041]
图6为时频脊线斜度特征、tamura纹理特征以及融合特征在elm下的故障识别率表。
具体实施方式
[0059]
为了使本技术领域的人员更好的理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整的描述，显然，所述实施例仅仅是本技术一部分的实施例，而不是全部实施例。
[0060]
图1是根据本技术实施例的基于时频脊线的线性变速工况下的滚动轴承故障诊断方法的流程示意图。
[0061]
如图1所示，该方法包括以下步骤：
[0062]
步骤1，获取轴承的振动信号，其中，所述振动信号是采用振动传感器采集而来。
[0063]
具体地，采集到的信号中包括了非故障时的轴承振动信号以及故障时的轴承振动信号。
[0064]
步骤2，从所述振动信号中选取相应的时间段作为待测信号，将所述待测信号由stfs方法转换为含有时频脊线特征的时频图像。
[0065]
对于时频图的绘制，以图2为例阐述时频图的绘制原理，定义三个数据数组x、y、c，x、y、c分别为1
×
n、1
×
m和m
×
n的数组，使用x和y可指定与c(1,1)和c(m,n)对应的边角的位置，且x、y数组中的值分别作为时频图像的x轴、y轴的坐标值，数组c中的数据则显示为一个图像，其中m和n分别是c中的行数和列数，该图像使用数据颜色图中的全部颜色，c数组中的每个元素数值指定图像的一个像素的颜色，生成的图像为m
×
n像素网格。这些元素的行索引和列索引确定了对应像素的中心。如图2所示，时频图显示了c数组中数据的图像，默认情况下，imagesc色阶颜色范围使用颜色图中的所有颜色，其中c中的最小值映射到颜色图中的第一种颜色，最大值映射到最后一种颜色，c的全部映射见时频图右侧颜色条，最下侧表示0，最上侧表示28。
[0066]
步骤3，获取故障状态下的轴承时频图，提取时频脊线斜度特征。如图3所示，当频率值f以原始频率表示时，y轴坐标显示为实际频率，当f使用归一化频率显示时，y轴坐标转化为归一化频率。
[0067]
具体地，滚动轴承振动信号的时频图以t、f、tfr三个数组绘制而成，其中t代表时间，f代表频率，tfr代表时频转换值，而频率值f既可以以原始频率表示，也可以以归一化频
率表示。线性变频转速工况下的时频图具有明显倾斜的脊线特征，针对该特点可提出能够表征时频脊线倾斜程度的特征指标，可以参照数学中斜率的定义来计算时频脊线的斜率与倾角。首先，需要选取起始点与终止点的坐标值，对于x轴坐标选取，选取t时刻为起始点，时间间隔为t，则终止点为t+t。对于y轴坐标选取，寻找t时刻时频图中颜色最深位置的对应值(即tfr最大值)，记录在tfr矩阵中对应的行位置序号，按照行位置序号在y轴频率矩阵中寻找对应值，即得t时刻y轴坐标y1，t+t时刻对应y坐标y2。但是，如图2所示，图中时间轴与频率轴的单位标度不同，因此按数学定义所求得并不是真正数学意义上的斜率，可将其称为伪斜率，记为k
p
，其正负代表了是处于线性变频增速还是线性变频减速状态，伪斜率可利用下式计算：
[0068][0069]
此外，在获取伪斜率值后，可仿照数学中斜率与tan函数的对应关系获取其衍生特征指标——伪角度，记为a
p
，则伪角度可利用下式计算：
[0070]ap
＝arctnnk
p
[0071]
图4为基于时频图像提取的正常、内圈故障、外圈故障、滚动体故障四种状态下的原始频率下计算的伪斜率与伪角度特征分布图。时频图像的振动信号数据集为实验台采集的滚动轴承振动信号。实验轴承型号为mb er-12k，外圈直径为47mm，内圈直径为19mm，外圈宽度为15.8mm，滚动体尺寸为7.9mm，滚动体个数为8个，节径为33.5mm，接触角为0
°
。实验台模拟的是线性变频减速工况，相同条件下采集十组数据后，取每组数据集前0-4.05s的数据，将组内0-4.05s的数据分成0-1.35s、1.35-2.70s、2.70-4.05s三个时间段，段内数据经时频分析方法转化为时频图，一组数据可得3幅时频图，因此可得每种状态时频图30幅，四种状态共120幅时频图像。
[0072]
步骤4，从所述120幅时频图像中提取时频图像tamura特征，tamura特征包括粗糙度、对比度、方向性三个特征。图5为正常、内圈故障、外圈故障、滚动体故障状态下的tamura纹理特征粗糙度、对比度与方向性特征分布图。tamura特征计算公式如下：
[0073]
粗糙度：
[0074]
上式用于计算图像中大小以2
p
×2p
为尺寸的矩形的窗口中每个像素点的亮度，其中，(a,b)代表矩形窗口中第(i，j)点的亮度均值，可通过p来确定像素的范围。
[0075]ep,h
＝|a
p
(a+2
p-1
,b)-a
p
(a-2
p-1
,b)|；
[0076]ep,v
＝|a
p
(a,b+2
p-1
)-a
p
(a,b-2
p-1
)|；
[0077]sbest
(a,b)＝2
p
；
[0078]ep
＝e
max
＝max(e1,e2,...,eh)；
[0079]
其中，e
p，h
代表该像素点水平方向差值，该像素点垂直方向差值为e
p，v
。在各个像素点上寻找能使e值达到最佳尺寸s
best
的p值，在该p值下，e值在任何方向都能达到最大值。
[0080][0081]
其中，粗糙度f
crs
为整幅图像最佳尺寸的平均值，m和n为图像的宽度和高度。
[0082]
对比度：
[0083]
其中，σ代表图像灰度的标准方差，α4代表图像灰度值的峰态，通过α4＝μ4/σ4计算；μ4是四阶矩均值，σ2表示图像灰度值的方差。
[0084]
方向性：
[0085]
其中，n
p
代表超过设定阈值的像素的个数，通过计算所有像素的梯度向量数目，利用上述向量可以计算直方图hd，hd对角度的范围进行了离散化处理，直方图的峰值的位置由表示。
[0086]
步骤5，将时频脊线斜度特征与tamura纹理特征转化为融合特征，所述时频脊线斜度特征指伪斜率和伪角度特征，所述tamura纹理特征指粗糙度、对比度、方向性特征。
[0087]
具体地，特征融合思路主要有两个：concatenate和add融合策略。concatenate特征融合是直接将两个特征进行连接，改变了特征维数，例如两个特征的输入维数如果是a和b，则融合特征的维数为a和b维数的和。add特征融合方式并没有改变特征的维数，而是将两个特征向量进行组合，组合形成复合向量，对于两个单向量a和b，融合特征向量为c＝a+bi，其中i为虚数单位，c为融合之后的向量，将复数的模作为分类特征。concatenate策略由于特征维数的增加，在一定程度上会带来训练和分类时间的增加，add策略虽然没有改变特征维数，但由于对复数取模，a、b向量的特征值如果在数量级上存在差异，数量级较大的特征可能会掩盖数量级较小特征的分类特征。因此，针对concatenate策略和add策略存在的不足，在不增加特征维数的前提下提出了一种数值相加的特征融合方式，对于两个单向量a和b，融合特征为c＝a+b。在此，融合特征的选取为原始频率计算下的伪斜率特征与未经图像裁剪处理的tamura方向性特征，融合方式分为三种：数值相加a+b、add复数a+bi的模(a、b分别代表伪斜率特征与方向性特征)和concatenate伪斜率特征与方向性特征组合的二维数组。
[0088]
步骤6，对所述时频脊线特征、tamura特征以及融合特征利用极限学习机(extreme learning machine,elm)方法进行故障状态分类识别，识别结果如图6所示，实现了轴承的故障诊断。
[0089]
通过以上应用说明，本发明提出了基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，该方法从时频图像中提取出了能够描述线性变速工况下滚动轴承故障状态的稳定特征，所述特征具有较好的稳定性与灵敏性，将其用于故障诊断，能够实现轴承故障的准确识别，有助于实现旋转机械设备的故障状态监测与识别。
[0090]
以上对本发明的基本原理、主要特征和优点进行了描述，本领域的技术人员应该了解，本发明不受上述实例的限制，上述实施描述的只是本发明的原理，在不脱离本发明原理的前提下还会有各种更改和变化，凡在本技术的原理和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1：获取线性变速工况下的滚动轴承振动信号，其中，所述振动信号采用振动加速度传感器采集；步骤2：从所述振动信号中选取一个时间段作为待测信号，将所述待测信号利用时频分析方法转换为含有时频脊线特征的时频图像。步骤3：从所述时频图像中提取时频脊线斜度特征，所述时频脊线斜度特征包括伪斜率特征与伪角度特征。步骤4：从所述时频图像中提取时频图像特征，所述时频图像特征为tamura特征。步骤5：将时频脊线斜度特征与tamura纹理特征转化为融合特征。步骤6：利用所述时频脊线特征、tamura特征以及融合特征作为特征指标进行故障状态分类识别，以实现滚动轴承的故障诊断。2.根据权力要求1所述的一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，其特征在于，所述步骤2中，时频分析方法为stft方法，其中，所述时频脊线特征为所述时间段内的轴承故障频率特征，用于表征所述轴承的故障状态。3.根据权力要求1所述的一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，其特征在于，从时频图像中提取时频脊线斜度特征，时频脊线斜度特征的计算公式如下：伪斜率：伪角度：a
p
＝arctank
p
；其中，t表示初始时刻，t为时间间隔，y1为t时刻y轴坐标，y2为t+t时刻对应y坐标。4.根据权力要求1所述的一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，其特征在于，tamura特征包括粗糙度、对比度、方向性三个特征，按下列公式计算出所述tamura特征：粗糙度：上式用于计算图像中大小以2
p
×2p
为尺寸的矩形的窗口中每个像素点的亮度，其中，(a,b)代表矩形窗口中第(i，j)点的亮度均值，可通过p来确定像素的范围。e
p,h
＝|a
p
(a+2
p-1
,b)-a
p
(a-2
p-1
,b)|；e
p,v
＝|a
p
(a,b+2
p-1
)-a
p
(a,b-2
p-1
)|；s
best
(a,b)＝2
p
；e
p
＝e
max
＝max(e1,e2,...,e
h
)；其中，e
p，h
代表该像素点水平方向差值，该像素点垂直方向差值为e
p，v
。在各个像素点上寻找能使e值达到最佳尺寸s
best
的p值，在该p值下，e值在任何方向都能达到最大值。其中，粗糙度f
crs
为整幅图像最佳尺寸的平均值，m和n为图像的宽度和高度。对比度：
其中，σ代表图像灰度的标准方差，α4代表图像灰度值的峰态，通过α4＝μ4/σ4计算；μ4是四阶矩均值，σ2表示图像灰度值的方差。方向性：其中，n
p
代表超过设定阈值的像素的个数，通过计算所有像素的梯度向量数目，利用上述向量可以计算直方图h
d
，h
d
对角度的范围进行了离散化处理，直方图的峰值的位置由表示。5.根据权力要求1所述的一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，其特征在于，将时频脊线斜度特征与tamura纹理特征以数值求和的方式转化为融合特征，所述时频脊线斜度特征指伪斜率和伪角度特征，所述tamura纹理特征指粗糙度、对比度、方向性特征。所述数值求和方式指特征值的数值相加，所述融合特征为一维数组。6.根据权力要求1所述的一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法，其特征在于，利用所述时频脊线特征、tamura特征以及融合特征结合极限学习机(extreme learning machine,elm)方法进行故障状态分类识别，实现轴承故障诊断。

技术总结
本发明涉及一种基于时频脊线的线性变速工况下的滚动轴承故障诊断方法。该方法包括：利用STFT方法获取带有时频脊线特征的时频图像；从获取的时频图像中提取时频脊线斜度特征伪角度与伪斜率；从获取的时频图像中提取Tamura纹理特征；将时频脊线斜度特征与Tamura纹理特征通过数值求和的特征融合方式组成特征向量；将特征向量输入ELM中，通过ELM判断轴承的运行状态，实现轴承故障诊断。本方案与现有技术相比，提出了描述线性变速工况下故障特征的稳定特征指标，该特征具有较好的状态感知稳定性与灵敏性，具有较高的鲁棒性。在此基础上，提出了时频脊线斜度特征与Tamura图像特征数值相加的特征融合方式，利用融合特征能够实现轴承故障的准确识别。现轴承故障的准确识别。现轴承故障的准确识别。


技术研发人员：程晓涵 袁隆 汪爱明 杨杰 孟国营 路雨欣 王亚洲 丁南钦
受保护的技术使用者：中国矿业大学（北京）
技术研发日：2023.05.12
技术公布日：2023/8/13