一种滚动轴承故障诊断的方法技术

本发明专利技术公开了一种滚动轴承故障诊断的方法，具体涉及一种基于互补总体平均模态分解和支持向量机的滚动轴承故障诊的方法，属于旋转机械故障诊断领域。该方法主要包括步骤S1：获取滚动轴承在正常、外圈故障、内圈故障、滚动体故障状态下的振动加速度信号，得到时域信号样本集。步骤S2：对得到的时域信号样本进行互补总体平均模态分解，得到本征模函数分量。步骤S3：对每个本征模函数分量求取峭度值。步骤S4：建立基于支持向量机的轴承故障诊断模型。步骤S5：将测试样本或者实时样本输入到轴承故障诊断模型中，对故障进行诊断。 1

【技术实现步骤摘要】
一种滚动轴承故障诊断的方法
本专利技术属于旋转机械故障诊断领域，具体涉及一种基于互补总体平均模态分解和支持向量机的滚动轴承故障诊方法。
技术介绍
滚动轴承作为旋转机械中的重要部件，其运行的状态直接影响整个机器的安全性和可靠性。据统计，在包含滚动轴承部件的旋转机械中，约30％的机械故障与轴承相关。因此，在含有轴承的机械结构中，对轴承进行状态监测和故障诊断，进而保证其安全可靠地运行，对提高生产的安全性能有重要意义。目前对轴承的状态监测和诊断最常用的方法是采集轴承及其组件的随机振动信号，然后对随机振动信号进行时频分析。但由于所测取的振动信号不但有轴承故障信号，而且还包含其它机械零部件的振动信号，并且滚动轴承在早期的故障产生阶段，其故障特征信息很微弱，信噪比很小，难以提取。经验模态分解(简称EMD)是一种适于处理非线性、非平稳信号的新方法，其本质是对信号进行平稳化处理，把复杂的信号分解为一系列固有模态分量。与其他的分析方法相比，经验模态分解是一种无需任何先验知识的自适应时频分析方法，具有自适应的信号分解和降噪能力，目前已在滚动轴承故障诊断领域得到了成功的应用。但是，经验模态分解的分解过程中存在分解不稳定和端点效应等问题。为解决这个问题，有人提出总体平均模态分解(简称EEMD)这个方法。总体平均模态分解能有效地解决了经验模态分解存在的问题，但其人为添加的白噪声不能完全中和，影响信号特征提取的效果。为了解决总体平均模态分解所存在的问题，有人提出互补总体平均模态分解(简称CEEMD)这个方法，互补总体平均模态分解能减小总体平均模态分解人为添加白噪声引起的重构误差。现在使用互补总体平均模态分解方法，大部分是对信号进行分解后，筛选出有价值的本征模函数后，在进行信号重构。而未被使用的本征模函数也可能含有有价值的信息，所以提出一种对每个本征模函数提取信息的方法，所提出的每个信息组合成故障特征，用来进行下一步的故障诊断。支持向量机是一种解决小样本分类与预测的机器学习算法，该方法建立在统计学习理论的基础上，已成功应用于金融、电力等系统的预测中。神经网络等诊断方法常需要较多的训练样本和较少的数据维数，而且在进行网络训练时候易陷入局部最优解，或者当网络规模较大的时候不易收敛，而支持向量机在小样本统计方面具有独特的求解优势，不存在局部最优解问题，因此可以克服神经网络等学习方法的不足，具有独特的优势。支持向量机参数的选取对于最终的结果有着较大影响。同样的训练样本集建立的模型，会由于参数选取的不同产生较大的差别，参数选取的不合适，则模型的精度就会比较差。目前参数的选取方法主要有枚举法、网格搜索法、粒子群算法等等。一般情况下，对于对参数不敏感的样本集，枚举法是一种省时省力的方法，也是人们较为常用的一种方法。但对于对参数敏感的样本集，就必须利用优化算法。网格搜索法是一种穷举式的算法，这种算法得到的结果一定是最优的，然而该算法耗时十分长，在某些情况下，这种方法较为不实用。粒子群算法是现在最常用的优化算法，技术也相对比较成熟，这种算法都在较短的寻优时间上保持较好的寻优结果。
技术实现思路
针对故障轴承的特征信息微弱、样本小、故障信号呈现非平稳性等特点，本专利技术提出一种基于互补总体平均模态分解和支持向量机的滚动轴承故障诊断方法。本专利技术采用的技术方案为一种基于互补总体平均模态分解和支持向量机的滚动轴承故障诊断方法，该滚动轴承故障诊断方法包括以下步骤：步骤S1：分别获取滚动轴承在正常、外圈故障、内圈故障、滚动体故障状态下各n组振动加速度信号，n≥10，这四种状态分别得到n组时域信号样本集，分别记为xmn(t)，其中m＝1，2，3，4；n＝1，2，3，……，n。步骤S2：对得到的时域信号样本集中的样本进行互补总体平均模态分解，得到m个本征模函数即IMF分量。步骤S2.1：在原始信号中分别与一对幅值相同、正负成对的高斯白噪声y(t)相加，得到xmn1(t)和xmn2(t)两个新信号：xmn1(t)＝xmn(t)+y(t)，xmn2(t)＝xmn(t)-y(t)。步骤S2.2：分别对xmn1(t)和xmn2(t)做EMD分解，得到两组IMF分量，分别记为IMFmn1，IMFmn2，对每组IMF取均值，步骤S2.3：将每个IMFmn分量记为cmni(t)，则其中，i为IMFmn分量的序号数，j为IMFmn分量的个数，rj(t)为趋势余量。步骤S3：对每个IMFmn分量的j个cmni(t)求取峭度值Kmnj。步骤S4：建立基于支持向量机的轴承故障诊断模型。对轴承故障诊断模型进行如下处理：步骤S4.1：将峭度值Kmnj组成一个(mn)×j的故障特征矩阵K，并将故障特征矩阵K分为训练样本和测试样本。步骤S4.2：使用训练样本对轴承故障诊断模型进行训练。步骤S4.3：采用粒子群算法对轴承故障诊断模型进行参数优化，优化的参数包括核函数参数g和误差项的惩罚参数c。步骤S5：将测试样本或者实时样本输入到轴承故障诊断模型中，对故障进行诊断。本专利技术提出了一种基于互补总体平均模态分解和支持向量机的滚动轴承故障诊断方法，该方法采用互补总体平均模态分解将获取的信号分解为一组本征模函数分量，并求取每个本征模函数分量的峭度值，并组成特征向量，作为支持向量机的训练集和测试集，提高了故障诊断的准确率。本专利技术采用粒子群算法优化参数后的支持向量机模型，解决了样本少的问题，并且保证了一定的故障诊断率，可靠性比较高。附图说明图1是本专利技术的整体步骤流程图。具体实施方式为了更进一步阐述本专利技术为实现预定目的所采取的技术手段，请参阅以下本专利技术的详细说明与附图，附图仅提供参考与说明用，并非用来对本专利技术加以限制。如图1所示，为一种基于互补总体平均模态分解和支持向量机的滚动轴承故障诊断方法的流程图，包含获取振动加速度信号、互补总体平均模态分解、计算本征模函数分类峭度值、组成故障特征矩阵、建立基于支持向量机的轴承故障诊断模型、故障诊断等几部分。具体步骤如下：步骤S1：分别获取滚动轴承在正常、外圈故障、内圈故障、滚动体故障状态下各n(n≥10)组振动加速度信号，这四种状态分别得到n组时域信号样本集，分别记为xmn(t)，其中m＝1，2，3，4；n＝1，2，3，……，n。步骤S2：对得到的时域信号样本进行互补总体平均模态分解，得到m个本征模函数(简称IMF)分量。具体进行如下处理：步骤S2.1：在原始信号中分别与一对幅值相同、正负成对的高斯白噪声y(t)相加，得到两个新信号：xmn1(t)＝xmn(t)+y(t)，xmn2(t)＝xmn(t)-y(t)。步骤S2.2：分别对xmn1(t)和xmn2(t)做EMD分解，得到两组IMF分量，分别记为IMFmn1，IMFmn2，对每组IMF取均值，步骤S2.3：将每个IMFmn分量记为cmni(t)，则其中j为IMFmn分量的个数，rj(t)为趋势余量。步骤S3：对每个IMFmn分量的j个cmni(t)求取峭度值Kmnj。步骤S4：建立基于支持向量机的轴承故障诊断模型。具体进行如下处理：步骤S4.1：将峭度值Kmnj组成一个(mn)×j的故障特征矩阵K，并将故障特征矩阵K分为训练样本和测试样本。步骤S4.2：使用训练样本对轴承故障诊断模型进行训练。步骤S4.3：采用粒子本文档来自技高网...

【技术保护点】
1.一种滚动轴承故障诊断的方法，其特征在于：该方法包括以下步骤，

【技术特征摘要】
1.一种滚动轴承故障诊断的方法，其特征在于：该方法包括以下步骤，步骤S1：分别获取滚动轴承在正常、外圈故障、内圈故障、滚动体故障状态下各n组振动加速度信号，n≥10，这四种状态分别得到n组时域信号样本集，分别记为xmn(t)，其中m＝1，2，3，4，n＝1，2，3，……，n；步骤S2：对得到的时域信号样本集中的样本进行互补总体平均模态分解，得到m个本征模函数分量即IMF分量；步骤S3：对每个IMFmn分量的j个cmni(t)求取峭度值Kmnj；步骤S4：建立基于支持向量机的轴承故障诊断模型；步骤S5：将测试样本或者实时样本输入到轴承故障诊断模型中，对故障进行诊断。2.根据权利要求1所述的一种滚动轴承故障诊断的方法，其特征在于：具体进行如下处理：步骤S2.1：在原始信号中分别与一对幅值相同、正负成对的高斯白噪声y(t)相加，得到xmn1(t...

【专利技术属性】
技术研发人员：薛殿威，付胜，周忠臣，王晓铭，于梦瑶，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11