基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法及设备技术

本发明专利技术公开了一种基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法及设备，属于旋转机械故障诊断领域。该方法通过获取正常状态和不同故障模式状态下轴承的振动信号得到不同状态的振动信号的样本点，利用CEEMDAN分解得到轴承诊断的时频域特征并与时域、频域特征一起筛选出轴承状态表征参数，将表征参数分为训练样本和测试样本，然后利用表CFSFDP算法作为轴承故障诊断模型，将训练样本输入轴承故障诊断模型中，对输出结果进行聚类，得到聚类的数量、各类别的聚类中心点以及聚类中心点对应的状态类型；并利用测试样本对训练后的诊断模型进行检验。本发明专利技术的方法及设备能够准确有效的识别不同的轴承故障类型及故障严重程度。

【技术实现步骤摘要】
基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法及设备
本专利技术属于旋转机械故障诊断领域，更具体地，涉及一种成基于自适应噪声的完备经验模态分解(CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise，CEEMDAN)算法和基于密度峰值快速搜寻的聚类(Clusteringbyfastsearchandfindofdensitypeaks，CFSFDP)算法的轴承故障诊断新方法。
技术介绍
轴承是旋转机械最常见的组成部件之一，其工作状态直接影响整个旋转机械的可靠性与安全性。一旦轴承出现故障，需要及时准确地诊断出其故障位置与原因。这对于提高旋转机械的维修效率、降低其维修成本，保证其长时间稳定运行等都具有重大的实际意义。基于振动信号的轴承故障诊断方法近年来得到了广泛地应用。由于轴承出现故障时所产生的振动信号为非平稳信号，仅仅采用常规的时域分析和频域分析方法难以对轴承故障做出准确评估。因此，还应使用时频域方法来对振动信号进行分析。经验模态分解(EMD)可以自适应地将信号在时频域维度进行分解，非常适合处理非线性、非平稳信号，本文档来自技高网...

【技术保护点】
1.一种基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法，其特征在于，包括如下步骤：步骤1：获取正常状态和不同故障模式状态下轴承的振动信号，并对获取的振动信号进行预处理，得到包含不同状态的振动信号的样本点；步骤2：提取各样本点包含的振动信号的时域特征；对各样本点包含的振动信号进行傅里叶变换，提取各振动信号的频谱特征；对各样本点包含的振动信号进行CEEMDAN分解，得到各个模态分量；计算每个模态分量的能量值作为轴承诊断的时频域特征；步骤3：对步骤2获得的时域特征、频域特征和时频域特征进行筛选，将正常状态以及各故障模式状态之间区别明显的特征作为区分各样本点的状态的表征参数；步骤4：初始化CF...

【技术特征摘要】
1.一种基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法，其特征在于，包括如下步骤：步骤1：获取正常状态和不同故障模式状态下轴承的振动信号，并对获取的振动信号进行预处理，得到包含不同状态的振动信号的样本点；步骤2：提取各样本点包含的振动信号的时域特征；对各样本点包含的振动信号进行傅里叶变换，提取各振动信号的频谱特征；对各样本点包含的振动信号进行CEEMDAN分解，得到各个模态分量；计算每个模态分量的能量值作为轴承诊断的时频域特征；步骤3：对步骤2获得的时域特征、频域特征和时频域特征进行筛选，将正常状态以及各故障模式状态之间区别明显的特征作为区分各样本点的状态的表征参数；步骤4：初始化CFSFDP算法作为轴承故障诊断模型，将步骤3筛选出的表征参数分为训练样本和测试样本，将训练样本输入轴承故障诊断模型中，对输出结果进行聚类，得到聚类的数量、各类别的聚类中心点以及聚类中心点对应的状态类型；步骤5：计算测试样本中每个样本点到各聚类中心点的欧式距离，各样本点与其欧式距离最近的聚类中心点所属状态相同；遍历测试样本中的所有样本点，得到各样本点所属状态，即待测轴承的故障诊断结果。2.如权利要求1所述的一种基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法，其特征在于，步骤2中的时域特征包括：绝对平均值、有效值、峰值、方根幅值、歪度、峭度、波形指标、峰值指标、脉冲指标、裕度因子、峭度因子和歪度指标。3.如权利要求1或2所述的一种基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法，其特征在于，步骤2中的频谱特征包括如下P1～P11：其中，s(k)是振动信号经傅里叶变换得到的频谱，k＝1，2，3...，K，K为谱线数，fk是第k条谱线的频率值，P1反映频域振动能量大小，P2～P4、P6和P8～P11反映频谱的分散或是集中程度，P5和P7反映主频带位置的变化。4.如权利要求1～3任意一项所述的一种基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法，其特征在于，步骤2中对各样本点包含的振动信号进行CEEMDAN分解，得到各个模态分量的方法如下：首先，对样本点的振动信号X(t)添加随机白噪声，构造合成信号Xi(t)，i＝1，2，...，K，K为合成信号Xi(t)总数；求取所有合成信号Xi(t)的第1个IMF分量并求均值，得到振动信号X(t)的第1个模态分量进而求得模态分量之后的余量信号r1(t)；然后，对余量信号r1(t)进行单调性判断：若余量信号r1(t)为单调函数则结束分解，否则，对余量信号r1(t)添加随机白噪声Ym(t)，构造新的合成信号X1m(t)，将X1m(t)的第1个IMF分量作为Xi(t)的第2个IMF分量，并求取第2个IMF分量之后的余量信号；对第2个IMF分量之后的余量信号重复上述单调性判断；依次类推，直至最终分解出的余量信号为单调函数，则获得所有的IMF分量及最终的余量信号，并结束分解。5.如权利要求4所述的一种基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法，其特征在于，步骤2中对各样本点包含的振动信号进行CEEMDAN分解，得到各个模态分量的步骤如下：步骤2.1：样本点的振动信号X(t)随机添加白噪声Wi(t)，构造合成信号Xi(t)：Xi(t)＝X(t)+Wi(t)，i＝1，2，...，K；K为合成信号总数；步骤2.2：确定合成信号Xi(t)所有的局部极大值点和局部极小值点，将Xi(t)所有的局部极大值点用三次样条插值曲线连接，形成上包络线yup(t)，将Xi(t)所有的局部极小值点用三次样条插值曲线连接，形成下包络线ylow(t)，并计算上、下包络线的平均值：mi(t)＝(yup(t)+ylow(t))/2步骤2.3：去除Xi(t)的低频成分，得到新序列hi(t)：hi(t)＝Xi(t)-mi(...

【专利技术属性】
技术研发人员：吴军，林漫曦，程一伟，郭鹏飞，徐雪兵，鲁施雨，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42