基于改进EMD分解与敏感特征选择的轴承故障诊断方法技术

技术编号:13977342 阅读:264 留言:0更新日期:2016-11-11 18:24
本发明专利技术公开了一种基于改进EMD分解与敏感特征选择的轴承故障诊断方法,对轴承不同故障状态下的原始振动信号进行小波降噪与EMD分解,获得若干个IMF分量;通过定量计算各IMF分量与原始信号的相关性大小,选取包含轴承主要故障信息的前h个IMF分量作为提取故障特征信息的对象,并且分别提取IMF分量中的特征参数构成原始特征集;根据距离评估方法分别确定原始特征集中每个特征的敏感度因子,并且构造敏感特征集;将轴承的故障样本中的训练样本的敏感特征向量输入到支持向量机SVM中进行训练,根据遗传算法对SVM的核函数参数g和惩罚因子c进行优化,对测试样本进行故障识别。本发明专利技术能够减小故障特征向量的维数和分类器的计算规模,提高滚动轴承故障诊断的准确率。

【技术实现步骤摘要】

本专利技术属于轴承的故障诊断
,具体涉及一种基于改进EMD分解与敏感特征选择的轴承故障诊断方法
技术介绍
滚动轴承作为旋转机械的重要零件之一,对于保证整个机械系统的可靠运行是极为重要的,然而由于制造加工过程中存在的误差以及轴承工作时复杂恶劣环境的影响,只有少部分的轴承能够达到设计寿命,轴承出现的故障会造成旋转机械等关键设备的严重事故,带来巨大的经济损失和人员伤亡,因此监测轴承的运行状态以及进行及时的故障诊断,可以保障旋转机械的正常工作,避免事故的发生。由于轴承常常工作在复杂、恶劣、多变的环境下,其振动信号中包含有大量的背景噪声,具有强烈的非线性和非平稳性特征,因此需要利用有效的信号处理工具才能提取出反映轴承故障状态的信息。
技术实现思路
有鉴于此,本专利技术的主要目的在于提供一种基于改进EMD分解与敏感特征选择的轴承故障诊断方法。为达到上述目的,本专利技术的技术方案是这样实现的:本专利技术实施例提供一种基于改进EMD分解与敏感特征选择的轴承故障诊断方法,该方法通过以下步骤实现:步骤1:对轴承不同故障状态下的原始振动信号进行小波降噪与EMD分解,获得若干个IMF分量;步骤2:通过定量计算各IMF分量与原始信号的相关性大小,选取包含轴承主要故障信息的前h个IMF分量作为提取故障特征信息的对象,并且分别提取IMF分量中的特征参数构成原始特征集;步骤3:根据距离评估方法分别确定原始特征集中每个特征的敏感度因子,并且构造敏感特征集;步骤4:将轴承的故障样本分为训练和测试样本,并将训练样本的敏感特征向量输入到支持向量机SVM中进行训练,根据遗传算法对SVM的核函数参数g和惩罚因子c进行优化,通过训练好的轴承故障诊断模型对测试样本进行故障识别。上述方案中,所述步骤1具体为:对轴承不同故障状态下的原始振动信号进行降噪预处理,选择合适的小波基函数和信号分解层数,根据斯坦因无偏似然估计原则确定各层高频系数的阈值,然后采用软阈值函数处理高频系数,通过小波逆变换重构信号,获得降噪后的信号。上述方案中,所述步骤1中对降噪后的信号进行EMD分解,其具体步骤为:步骤1.2.1:将降噪后的时域信号作为待分解序列x(t),并提取其所有的极大值点和极小值点,分别用三次样条曲线连接极大值点和极小值点,形成上包络线和下包络线,上下包络线之间应包含全部原始数据,求取包络均值m1,得到信号差值序列h1=x(t)-m1;步骤1.2.2:h1不满足本征模态函数的两个条件:(1)在整个数据集合中,极值点的数目和过零点的数目必须相等或最多相差一个;(2)由局部极大值和极小值所形成的包络均值都等于零;重复执行步骤1.2.1,将h1作为待分解序列,直到第k次处理所得到的结果h1k满足本征模态函数的条件为止;步骤1.2.3:将第一个本征模态函数记作c1=h1k,得到剩余项r1=x(t)-c1,将r1作为新的原始数据,重复上述步骤,直到第n个剩余项rn小于给定值或成为单调函数则EMD分解过程结束,最后得到原始信号由这n个不同尺度下的本征模态函数和剩余项组成。上述方案中,所述步骤2具体为:步骤2.1:根据定量计算EMD分解产生的各IMF分量与原始信号的相关性大小;式中x(t)为原始信号,ci(t)为第i个IMF分量,为第i个IMF分量与原始信号的相关系数;步骤2.2:根据上述计算所得的结果,在前h个IMF分量的基础上分别提取其能量值、奇异值和包络样本熵值。上述方案中,所述步骤2.2具体为:步骤2.2.1:根据分别计算各IMF分量的能量值;式中x(i)为IMF分量各离散点的幅值,i=1,2,…n为IMF分量离散点的个数,构成的能量特征向量为E={E1,E2,…,Eh本文档来自技高网...
基于改进EMD分解与敏感特征选择的轴承故障诊断方法

【技术保护点】
一种基于改进EMD分解与敏感特征选择的轴承故障诊断方法,其特征在于,该方法通过以下步骤实现:步骤1:对轴承不同故障状态下的原始振动信号进行小波降噪与EMD分解,获得若干个IMF分量;步骤2:通过定量计算各IMF分量与原始信号的相关性大小,选取包含轴承主要故障信息的前h个IMF分量作为提取故障特征信息的对象,并且分别提取IMF分量中的特征参数构成原始特征集;步骤3:根据距离评估方法分别确定原始特征集中每个特征的敏感度因子,并且构造敏感特征集;步骤4:将轴承的故障样本分为训练和测试样本,并将训练样本的敏感特征向量输入到支持向量机SVM中进行训练,根据遗传算法对SVM的核函数参数g和惩罚因子c进行优化,通过训练好的轴承故障诊断模型对测试样本进行故障识别。

【技术特征摘要】
1.一种基于改进EMD分解与敏感特征选择的轴承故障诊断方法,其特征在于,该方法通过以下步骤实现:步骤1:对轴承不同故障状态下的原始振动信号进行小波降噪与EMD分解,获得若干个IMF分量;步骤2:通过定量计算各IMF分量与原始信号的相关性大小,选取包含轴承主要故障信息的前h个IMF分量作为提取故障特征信息的对象,并且分别提取IMF分量中的特征参数构成原始特征集;步骤3:根据距离评估方法分别确定原始特征集中每个特征的敏感度因子,并且构造敏感特征集;步骤4:将轴承的故障样本分为训练和测试样本,并将训练样本的敏感特征向量输入到支持向量机SVM中进行训练,根据遗传算法对SVM的核函数参数g和惩罚因子c进行优化,通过训练好的轴承故障诊断模型对测试样本进行故障识别。2.根据权利要求1所述的基于改进EMD分解与敏感特征选择的轴承故障诊断方法,其特征在于,所述步骤1具体为:对轴承不同故障状态下的原始振动信号进行降噪预处理,选择合适的小波基函数和信号分解层数,根据斯坦因无偏似然估计原则确定各层高频系数的阈值,然后采用软阈值函数处理高频系数,通过小波逆变换重构信号,获得降噪后的信号。3.根据权利要求1或2所述的基于改进EMD分解与敏感特征选择的轴承故障诊断方法,其特征在于,所述步骤1中对降噪后的信号进行EMD分解,其具体步骤为:步骤1.2.1:将降噪后的时域信号作为待分解序列x(t),并提取其所有的极大值点和极小值点,分别用三次样条曲线连接极大值点和极小值点,形成上包络线和下包络线,上下...

【专利技术属性】
技术研发人员:丁锋栗祥瞿金秀程文冬韩兴本
申请(专利权)人:西安工业大学
类型:发明
国别省市:陕西;61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1