自适应变分模式分解的机械微弱故障诊断方法技术

本发明专利技术公开了一种自适应变分模式分解的机械微弱故障诊断方法。首先利用振动信号传感器收集机械设备动态信号；然后给定一个初始平衡参数以及设定变分模式分解方法提取分量的个数为一个；然后，利用变分模式分解方法对设备动态信号进行迭代分解，并以峭度或稀疏度等故障特征敏感参数为衡量指标计算分解出的模式分量，直到确定变分模式分解方法分解出含有故障信息的分量停止迭代分解；其次，将迭代分解出的干扰分量从原始设备动态信号中剔除。该发明专利技术克服了传统变分模式分解方法中最优平衡参数以及合理的分解模式分量的数目自适应选择的难题，能够自适应地提取出机械设备动态信号中的故障成分，且易操作，具有广泛应用的前景。

【技术实现步骤摘要】
自适应变分模式分解的机械微弱故障诊断方法
本专利技术涉及机械故障诊断的
，具体涉及一种自适应变分模式分解的机械微弱故障诊断方法。
技术介绍
机械零部件的状态直接影响到机械设备的运行状态及其安全状况。因此，对机械设备关键部件的健康状态进行检测极为重要。机械在局部缺陷故障激励下的振动往往以瞬态周期特征的形式存在，对周期的瞬态冲击特征有效提取能够准确评估机械运行状况，也是机械设备故障诊断的关键。目前已发展了许多机械故障诊断方法，例如谱峭度方法、经验模式分解、小波变换等传统微弱故障诊断方法。可是，这些传统方法因为其自身的局限性，如自适应性较差或抗噪性弱等问题，导致其应用范围有限。变分模式分解方法是最近提出的一种新的信号处理技术，具有较强的抗噪性，采用非筛选分解方式分解信号减少传递误差。近年来，逐渐有学者将变分模式分解方法引入到机械信号处理领域，发展出了基于变分模式分解方法和多核支持向量机的智能故障诊断方法；利用变模式分解方法分析了转速大波动工况下风力机轴承故障信号；综合变模式分解方法和优化光谱回归技术对采煤机的齿轮箱复合故障进行诊断。考虑到在实际利用变分模式分解方法处理机械信号时，难以预知原始设备动态信号中存在的具有物理意义分量的个数以及完整提取出相应目标分量的应用使用的最佳平衡参数值。
技术实现思路
基于此，有必要针对上述技术问题，提供一种自适应变分模式分解的机械微弱故障诊断方法。一种自适应变分模式分解的机械微弱故障诊断方法，包括：步骤1，利用振动信号传感器收集旋转机械设备动态信号X0；步骤2，设置变分模式分解方法输入的分解参数的初始值，所述分解参数包括平衡参数α和模式分量个数K；步骤3，利用设定初始分解参数的变分模式分解方法对机械设备动态信号X0进行迭代分解，得到待优化的目标分量XI；步骤4，以初始平衡参数为中心，通过改变平衡参数α的取值对待优化的目标分量XI进行双向优化分析，以获取包含最丰富故障信息的成分步骤5，对提取的包含最丰富故障信息的成分进行包络分析，得到其包络谱F；步骤6，比对旋转机械设备关键部件理论故障特征频率与包络谱F中的显著特征频率，最终确定旋转机械的健康状态。本专利技术的有益效果在于：本专利技术提出了一种自适应变分模式分解的机械微弱故障诊断方法，克服了传统变分模式分解方法参数选择的难题，能够对采集的设备动态信号自适应地分析，降低了技术人员使用变分模式分解方法进行机械故障诊断的难度；在提出的方法中使用了迭代分解方式且每次提取一个模式分量，避免了现有一次分解方式中因设置的分解模式分量数量过多导致的无任何物理意义的成分被提取出来或因设置的分解模式分量数量过少而导致的目标故障分量被遗漏掉在提出的方法中，使用双向优化技术调整平衡参数值，可以使得最终得到分量的带宽最大限度的匹配实际故障分量的带宽，同时减少计算量。在另外的一个实施例中，所述变分模式分解方法为：采用交替乘子法求解变分约束模型：其中，x(t)代表输入的信号，*代表卷积算子，表示对时间t求偏导数，δ(t)是狄利克雷分布函数，指数调节项用于平移各分量频谱，信号x(t)被分解为K个模式分量uk(k＝1,…,K)，每个模式分量uk都紧密围绕其中心频率ωk。在另外的一个实施例中，所述机械设备动态信号X0迭代分解过程为：步骤1：利用设定初始分解参数的变分模式分解方法对信号Xi(i＝0)进行分解，提取模式分量Ui；步骤2：判断上一步中提取的分量Ui是否为包含故障信息的分量；步骤3：若分量Ui不是故障分量，则令i＝i+1，并将提取分量Ui-1从Xi-1中剔除，即Xi＝Xi-1-Ui-1，然后返回上一步；若Ui为故障分量，则迭代停止，令XI＝Xi，输出XI为待优化的目标分量。在另外的一个实施例中，所述判断提取的分量Ui是否为包含故障信息的分量是通过计算提取分量的峭度值或稀疏度等故障特征敏感的特征指标来确定，其中，对于峭度值而言，一般其值小于3的分量为干扰成分。在另外的一个实施例中，所述的对待优化的目标分量XI进行双向优化分析包括：步骤1：给定平衡参数α＝α0+Δα，Δα为平衡参数α变化的步长，模式分量个数K＝1；α＝α0-Δα，模式分量个数K＝1两组变分模式分解方法使用的分解参数；步骤2：利用上一步中两组不同分解参数的变分模式分解方法处理待优化的目标分量XI，分别得到模式分量Vr1、Vl1；步骤3：分别计算模式分量Vr1、Vl1的峭度值Kur1、Kul1；步骤4：如果Kur1＞Kul1那么执行右向优化策略，否则执行左向优化策略。在另外的一个实施例中，所述右向优化策略为：步骤1：令变分模式分解方法使用的分解参数：平衡参数α＝α0+iΔα(i＝2)，模式分量个数K取值为1；步骤2：利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量XI，得到模式分量Vri，并计算模式分量Vri的峭度值Kuri；步骤3：如果Kuri＞Kuri-1，那么令i＝i+1，返回步骤1；否则令输入作为包含最丰富故障信息的成分。在另外的一个实施例中，所述左向优化策略为：步骤1：令变分模式分解方法使用的分解参数：平衡参数α＝α0-iΔα(i＝2)，模式分量个数K取值为1；步骤2：利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量XI，得到模式分量Vli，并计算模式分量Vli的峭度值Kuli；步骤3：如果Kuli＞Kuli-1，那么令i＝i+1，返回步骤1；否则令输入作为包含最丰富故障信息的成分。在另外的一个实施例中，所述平衡参数初始值在区间[1000,4000]中任取一个值，模式分量个数取值为1。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现任意一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现任意一项所述方法的步骤。附图说明图1自适应变分模式分解的机械微弱故障诊断方法的流程图；图2模拟信号波形；图3迭代分解出的各个分量：(a)第一次分解；(b)第二次分解；(c)第三次分解；(d)第四次分解；图4迭代分解出的各个分量的峭度值；图5本专利技术方法分析结果(a)包含最丰富故障信息分量的波形及其(b)包络谱；图6经验模式分解方法分解出最佳分量的包络谱。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。一种自适应变分模式分解的机械微弱故障诊断方法，包括：步骤1，利用振动信号传感器收集旋转机械设备动态信号X0；步骤2，设置变分模式分解方法输入的分解参数的初始值，所述分解参数包括平衡参数α和模式分量个数K；步骤3，利用设定初始分解参数的变分模式分解方法对机械设备动态信号X0进行迭代分解，得到待优化的目标分量XI；步骤4，以初始平衡参数为中心，通过改变平衡参数α的取值对待优化的目标分量XI进行双向优化分析，以获取包含最丰富故障信息的成分步骤5，对提取的包含最丰富故障信息的成分进行包络分析，得到其包络谱F；步骤6，比对旋转机械设备关键部件理论故障特征频率与包络谱F中的显著特征频率，最终确定旋转机械的健康状态。本专利技术的有益效果在于：本发本文档来自技高网...

【技术保护点】
一种自适应变分模式分解的机械微弱故障诊断方法，其特征在于，包括：步骤1，利用振动信号传感器收集旋转机械设备动态信号X0；步骤2，设置变分模式分解方法输入的分解参数的初始值，所述分解参数包括平衡参数α和模式分量个数K；步骤3，利用设定初始分解参数的变分模式分解方法对机械设备动态信号X0进行迭代分解，得到待优化的目标分量XI；步骤4，以初始平衡参数为中心，通过改变平衡参数α的取值对待优化的目标分量XI进行双向优化分析，以获取包含最丰富故障信息的成分

【技术特征摘要】
1.一种自适应变分模式分解的机械微弱故障诊断方法，其特征在于，包括：步骤1，利用振动信号传感器收集旋转机械设备动态信号X0；步骤2，设置变分模式分解方法输入的分解参数的初始值，所述分解参数包括平衡参数α和模式分量个数K；步骤3，利用设定初始分解参数的变分模式分解方法对机械设备动态信号X0进行迭代分解，得到待优化的目标分量XI；步骤4，以初始平衡参数为中心，通过改变平衡参数α的取值对待优化的目标分量XI进行双向优化分析，以获取包含最丰富故障信息的成分步骤5，对提取的包含最丰富故障信息的成分进行包络分析，得到其包络谱F；步骤6，比对旋转机械设备关键部件理论故障特征频率与包络谱F中的显著特征频率，最终确定旋转机械的健康状态。2.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所述变分模式分解方法为：采用交替乘子法求解变分约束模型：其中，x(t)代表输入的信号，*代表卷积算子，表示对时间t求偏导数，δ(t)是狄利克雷分布函数，指数调节项用于平移各分量频谱，信号x(t)被分解为K个模式分量uk(k＝1,…,K)，每个模式分量uk都紧密围绕其中心频率ωk。3.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所述机械设备动态信号X0迭代分解过程为：步骤1：利用设定初始分解参数的变分模式分解方法对信号Xi(i＝0)进行分解，提取模式分量Ui；步骤2：判断上一步中提取的分量Ui是否为包含故障信息的分量；步骤3：若分量Ui不是故障分量，则令i＝i+1，并将提取分量Ui-1从Xi-1中剔除，即Xi＝Xi-1-Ui-1，然后返回上一步；若Ui为故障分量，则迭代停止，令XI＝Xi，输出XI为待优化的目标分量。4.根据权利要求3所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所述判断提取的分量Ui是否为包含故障信息的分量是通过计算提取分量的峭度值或稀疏度等故障特征敏感的特征指标来确定，其中，对于峭度值而言，一般其值小于3的分量为干扰成分。5.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所...

【专利技术属性】
技术研发人员：江星星，李宁，沈长青，石娟娟，王俊，杜贵府，朱忠奎，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32