基于变分模态分解-传递熵的轴承退化状态识别预测方法技术

本发明专利技术涉及一种基于变分模态分解‑传递熵的轴承退化状态识别预测方法，属于齿轮故障分析技术领域。技术方案是：通过系统非线性和复杂程度的参数有效地反映旋转机械故障的严重程度；将变分模态分解与基于非线性动力学参数的信号复杂性的传递熵理论相结合，实现滚动轴承退化状态识别；建立基于变分模态分解‑传递熵的滚动轴承状态评价指标，应用模型对滚动轴承全寿命试验数据进行预测。本发明专利技术为旋转机械的故障诊断、性能退化状态识别和趋势预测提供新的有效手段；建立变分模态分解‑传递熵和SVR的滚动轴承故障演化趋势预测模型，应用该模型对滚动轴承全寿命试验数据进行预测，提高准确性和有效性。

Bearing Degraded State Recognition and Prediction Method Based on Variational Modal Decomposition-Transfer Entropy

The invention relates to a bearing degradation state recognition and prediction method based on variational mode decomposition and transfer entropy, which belongs to the field of gear fault analysis technology. The technical scheme is to effectively reflect the severity of rotating machinery faults by the parameters of non-linearity and complexity of the system; combine the variational modal decomposition with the transfer entropy theory based on the signal complexity of the non-linear dynamic parameters to realize the recognition of the degenerated state of rolling bearings; establish the evaluation index of rolling bearing state based on the variational modal decomposition and transfer entropy, and apply the model. The life test data of rolling bearings are predicted. The invention provides a new effective means for fault diagnosis, performance degradation state identification and trend prediction of rotating machinery; establishes a prediction model of rolling bearing fault evolution trend based on variational mode decomposition, transfer entropy and SVR, and applies the model to predict rolling bearing life test data to improve accuracy and validity.

【技术实现步骤摘要】
基于变分模态分解-传递熵的轴承退化状态识别预测方法
本专利技术涉及一种基于变分模态分解-传递熵的轴承退化状态识别预测方法，属于齿轮故障分析

技术介绍
齿轮和滚动轴承等旋转机械是机械系统中常用的重要部件，其运行状态的好坏直接关系到系统运行的平稳和安全。因此，对旋转机械的运行状态进行状态监测和预测具有极其重要的意义。如果能够在其性能演化的过程中提取到定量的退化程度信息，就可以有针对性地组织和制定有效的维修计划，确保机械设备的安全运转，大幅提高关键部件的服役性能。故障预测方法需要具有检测早期故障、确定当前故障严重程度以及预测故障未来状态的能力。主要包括3个步骤：(1)早期微弱的故障提取；(2)退化状态识别即确定当前故障严重程度；(3)预测故障未来发展状态。近年来，旋转机械故障诊断技术得到了快速的发展，国内外专家学者基于振动信号的旋转机械故障状态评估和诊断进行了大量的研究工作。EMD(EmpiricalModeDecomposition)和局部均值分解(LocalMeanDecomposition,LMD)是用来表示非平稳信号零均值固有模式函数(IMF)的数据驱动的算法。算法将非平本文档来自技高网...

【技术保护点】
1.基于变分模态分解‑传递熵的轴承退化状态识别预测方法，其特征在于包含如下步骤：当机械设备发生故障时，系统的动力学行为表现出强非线性和非稳定性，通过系统非线性和复杂程度的参数有效地反映旋转机械故障的严重程度；针对旋转机械性能退化识别指标的建立问题，将变分模态分解与基于非线性动力学参数的信号复杂性的传递熵理论相结合，实现滚动轴承退化状态识别；定量描述轴承时间序列信号频段间非线性的耦合及信息传递特征，得到轴承故障振动信号的传递路径，建立基于变分模态分解‑传递熵的滚动轴承状态评价指标，进行旋转机械的故障诊断、性能退化状态识别和趋势预测；针对滚动轴承退化趋势预测问题，建立变分模态分解‑传递熵和SVR的...

【技术特征摘要】
1.基于变分模态分解-传递熵的轴承退化状态识别预测方法，其特征在于包含如下步骤：当机械设备发生故障时，系统的动力学行为表现出强非线性和非稳定性，通过系统非线性和复杂程度的参数有效地反映旋转机械故障的严重程度；针对旋转机械性能退化识别指标的建立问题，将变分模态分解与基于非线性动力学参数的信号复杂性的传递熵理论相结合，实现滚动轴承退化状态识别；定量描述轴承时间序列信号频段间非线性的耦合及信息传递特征，得到轴承故障振动信号的传递路径，建立基于变分模态分解-传递熵的滚动轴承状态评价指标，进行旋转机械的故障诊断、性能退化状态识别和趋势预测；针对滚动轴承退化趋势预测问题，建立变分模态分解-传递熵和SVR的滚动轴承故障演化趋势预测模型，应用该模型对滚动轴承全寿命试验数据进行预测。2.根据权利要求1所述的基于变分模态分解-传递熵的轴承退化状态识别预测方法，其特征在于具体步骤如下：步骤一：数据采集；(1)读取轴承振动信号x的时序序列x(t)，其中，t＝1,2,3…,N,N为轴承信号的采样点个数；(2)对轴承振动信号x(t)进行采用VMD分解为一系列变分模态分量，使各个模态的估计带宽之和最小，约束条件为各模态之和等于输入信号x(t)，约束变分模型描述为式(1)和(2)；式中：{uk}＝{u1,…,uk}表分解得到的K干IMF分量；{ωk}＝{ω1,…,ωk}表示各分量的中心频率；表示所有模态分量的求和，*表示卷积；(3)为求取上述约束变分问题，引入二次惩罚因子α和Lagrange乘法算子λ(t)，其中二次惩罚因子可在高斯噪声存在的情况下保证信号的重构精度，Lagrange约束条件保持严格性，扩展的Lagrange表达式如下：(4)利用交替方向乘子算法求取上述增广Lagrange函数的最优解，从而将原始信号分解为K个窄带IMF分量；VMD大致过程如下：1)将λ和n初始化；2)n＝n+1，执行整个循环；3)执行内层第一个循环，根据更新uk；4)k＝k+1重复步骤(3)，直至k＝K，结束内层第一个循环；5)执行内层第二个循环，根据6)k＝k+1重复步骤(5)，直至k＝K，结束内层第二个循环；7)根据更新λ；8)重复上述步骤(2)～(7)，直至满足迭代停止条件结束整个循环，最终得到K个窄带IMF分量；步骤二：使用量子粒子群优化算法...

【专利技术属性】
技术研发人员：武哲，张嘉钰，崔彦平，常宏杰，张付祥，张新聚，牛虎利，
申请(专利权)人：河北科技大学，
类型：发明
国别省市：河北,13