基于变分模态分解和小波奇异分解的轴承故障诊断方法技术

本发明专利技术公开了基于变分模态分解和小波奇异分解的轴承故障诊断方法。所述方法包括：采用最优小波包基和奇异值分解方法对采集的信号进行去噪预处理；在对信号去噪完成后，使用变分模态分解算法对信号进行本征模态函数提取；对得到的本征模态函数进行标准差计算以构造特征向量，将得到的特征向量用于对轴承故障进行诊断。

【技术实现步骤摘要】
基于变分模态分解和小波奇异分解的轴承故障诊断方法
本专利技术涉及机械故障诊断
，具体涉及一种轴承故障诊断方法。
技术介绍
电机故障信息的采集主要是指获取机械设备工作状态的相关物理量，比如振动、噪声、转速、湿度、温度、流量等。通常，机械故障在振动信号方面表现得比较明显，因此目前故障诊断的方法主要是分析振动信号。在故障信息采集过程中，传感器是直接获取信息并转换成所需形式进行输出的元件，其检测精度、可靠性、稳定性对获取信号的质量影响很大。故障信息采集的发展趋势是遥测技术、声发射检测技术、光纤传感技术等领域。故障特征提取是机械故障诊断技术中最困难、最重要的部分，它直接影响整个诊断过程的计算效率以及整个诊断系统的准确性。由于受噪声、结构形变等因素影响，采集到的振动信号一般具有非平稳、非线性、强噪声和大数据等特征，同时大数据信息处理会耗费诊断者大量的精力，但是随着计算机技术的快速发展，只要选择合适的信息处理方法，就能从中准确地提取更多有用的信息。因此就故障的准确识别而言，如何准确地提取有效的信号特征尤为关键。
技术实现思路
本专利技术公开了一种基于信号去噪与特征分量提取的轴承故障诊断的方法和装置，属于轴承故障诊断
所述方法包括：采用最优小波包基和奇异值分解方法对采集的电信号进行去噪预处理；在对信号去噪完成后，使用变分模态分解算法对信号进行本征模态函数提取；对得到的本征模态函数进行标准差计算以构造特征向量，将得到的特征向量用于对轴承故障进行诊断。本专利技术提供一种轴承故障诊断方法，其特征在于，所述方法包括：步骤一，采集轴承振动信号；步骤二，对采集的轴承振动信号进行去噪预处理；步骤三，对预处理后的信号进行特征分量的提取；步骤四，基于特征分量确定是否发生轴承故障；步骤五，如果确定发生轴承故障，则基于特征分量确定轴承故障的类型。根据本专利技术的一个实施例，所述步骤二包括：使用小波奇异分解算法对采集的轴承振动信号进行小波分解，以进行去噪预处理。根据本专利技术的一个实施例，所述步骤二包括：使用最优小波包基和分层阈值方法对采集的轴承振动信号进行小波分解，以进行去噪预处理。根据本专利技术的一个实施例，所述步骤三包括：使用变分模态分解算法对预处理后的信号进行分解，以提取轴承振动信号的多个模态函数；计算并存储轴承振动信号的所述多个模态函数的中心频率的标准差。根据本专利技术的一个实施例，所述方法还包括在步骤四之前执行以下步骤：采集轴承在正常工作状态下的正常振动信号；对正常振动信号执行步骤二和步骤三的操作，以获得正常振动信号的多个模态函数的中心频率的标准差，并将所述正常振动信号的标准差存储为基准值。根据本专利技术的一个实施例，所述步骤四包括：如果所述轴承振动信号的中心频率的标准差接近或等于所述基准值，则确定所述轴承振动信号指示无轴承故障；如果所述轴承振动信号的中心频率的标准差远离所述基准值，则确定所述轴承振动信号指示发生轴承故障。根据本专利技术的一个实施例，如果所述轴承振动信号的中心频率的标准差与所述基准值之间的差在预定范围内，则表明所述轴承振动信号的中心频率的标准差接近或等于所述基准值；如果所述轴承振动信号的中心频率的标准差与所述基准值之间的差在所述预定范围之外，则表明所述轴承振动信号的中心频率的标准差远离所述基准值。根据本专利技术的一个实施例，在步骤五之前执行以下步骤：采集轴承在预设故障状态下的异常振动信号；对异常振动信号执行步骤二和步骤三的操作，以获得并存储所述异常振动信号的多个模态函数的中心频率的标准差。根据本专利技术的一个实施例，所述步骤五包括：如果确定发生轴承故障，则将所述轴承振动信号的标准差与所述异常振动信号的标准差进行比较，以确定由所述轴承振动信号指示的轴承故障的类型是否指示与所述异常振动信号对应的预设故障状态。根据本专利技术的一个实施例，如果所述轴承振动信号的标准差接近或等于所述异常振动信号的标准差，则确定由所述轴承振动信号指示的轴承故障的类型指示与所述异常振动信号对应的预设故障状态。根据本专利技术的一个实施例，如果所述轴承振动信号的标准差与所述异常振动信号的标准差之间的差在特定范围内，则表明所述轴承振动信号的标准差接近或等于所述异常振动信号的标准差。根据本专利技术的一个实施例，所述预设故障状态包括：轴承内圈故障状态、轴承外圈故障状态和滚动体故障状态，轴承故障的类型包括：轴承内圈故障、轴承外圈故障和滚动体故障。使用根据本专利技术的轴承故障诊断方法能够准确提取轴承振动信号的特征频率，有效提高轴承故障诊断的准确率和成功率。此外，所述方法只针对时间序列，因此可以处理任何单位的数据。将在接下来的描述中部分阐述本专利技术总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本专利技术总体构思的实施而得知。附图说明图1是根据本专利技术的实施例的轴承故障诊断方法的原理图。图2是根据本专利技术的实施例的变分模态分解算法的原理图。图3是根据本专利技术的实施例的信号分解和故障诊断方法的流程图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。小波变换方法是20世纪80年代中期发展起来的一种时频分析方法，比离散余弦转换(DiscreteCosineTransform，简称DCT)等傅里叶变换方法的性能更优越。小波变换方法具有多分辨分析功能，被誉为数学显微镜。考虑到轴承振动信号经小波变换后在不同尺度上的分解特性，新阈值函数能很好地克服恒定误差、阈值处不连续和参数计算复杂等缺点。为了更好地提高去噪效果，将新阈值函数和分层阈值相结合用于小波阈值去噪，对轴承振动信号具有良好的去噪效果，并能够在一定程度上提高故障诊断的准确性。变分模态分解方法(VariationalModeDecomposition，简称VMD)是一种自适应信号处理方法，通过迭代搜寻变分模态的最优解，不断更新各模态函数和中心频率，以获得多个具有一定带宽的模态函数。变分模态分解方法能够将信号分解为若干个本征模态分量，能有效减少无效分量和模态混叠。为了提高电机故障诊断的准确性，本专利技术提供了一种基于信号去噪与特征分量提取的电机故障诊断的方法和装置。所述技术方案如下：一方面，本专利技术提供了一种基于信号去噪与特征分量提取的电机故障诊断的方法，所述方法包括：采用最优小波包基和分层阈值方法对待检测电信号进行去噪预处理；当对检测信号消除噪声后，使用变分模态分解算法对处理后信号进行本证模态函数提取；取其能反映故障信号特征的成分作为电路故障特征,更好的实现滚动轴承的特征提取和故障诊断。图1是根据本专利技术的实施例的轴承故障诊断方法的原理图。在所述方法中，可以首先设置多种预设的轴承工作状态，以便于采集已知类型的轴承振动信号。如图1所示，在步骤101，利用传感器采集多组轴承振动信号。根据本专利技术的一个实施例，在步骤101可以采集滚动轴承在正常工作状态下的正常振动信号(即，无故障振动信号)，或者，采集滚动轴承在预设故障状态下的异常振动信号，还可以在步骤101采集未知状态的轴承振动信号以进行故障诊断。根据本专利技术的一个实施例，所述预设故障状态包括但不限于：轴承内圈故障状态、轴承外圈故障状态和滚动体故障状态等故障状态，在相应的预设故障状态下采集的异常振动信号分别指示轴承内圈故障、轴承外圈故障和滚本文档来自技高网...

【技术保护点】
一种轴承故障诊断方法，其特征在于，所述方法包括：步骤一，采集轴承振动信号；步骤二，对采集的轴承振动信号进行去噪预处理；步骤三，对预处理后的信号进行特征分量的提取；步骤四，基于特征分量确定是否发生轴承故障；步骤五，如果确定发生轴承故障，则基于特征分量确定轴承故障的类型。

【技术特征摘要】
1.一种轴承故障诊断方法，其特征在于，所述方法包括：步骤一，采集轴承振动信号；步骤二，对采集的轴承振动信号进行去噪预处理；步骤三，对预处理后的信号进行特征分量的提取；步骤四，基于特征分量确定是否发生轴承故障；步骤五，如果确定发生轴承故障，则基于特征分量确定轴承故障的类型。2.根据权利要求1所述的方法，其特征在于，所述步骤二包括：使用小波奇异分解算法对采集的轴承振动信号进行小波分解，以进行去噪预处理。3.根据权利要求2所述的方法，其特征在于，所述步骤二包括：使用最优小波包基和分层阈值方法对采集的轴承振动信号进行小波分解，以进行去噪预处理。4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述步骤三包括：使用变分模态分解算法对预处理后的信号进行分解，以提取轴承振动信号的多个模态函数；计算并存储轴承振动信号的所述多个模态函数的中心频率的标准差。5.根据权利要求4所述的方法，其特征在于，所述方法还包括在步骤四之前执行以下步骤：采集轴承在正常工作状态下的正常振动信号；对正常振动信号执行步骤二和步骤三的操作，以获得正常振动信号的多个模态函数的中心频率的标准差，并将所述正常振动信号的标准差存储为基准值。6.根据权利要求5所述的方...

【专利技术属性】
技术研发人员：王占刚，朱希安，杨昊，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11