变分非线性模式分解变转速轴承故障诊断方法技术

本发明专利技术公开了一种变分非线性模式分解变转速轴承故障诊断方法。本发明专利技术一种变分非线性模式分解变转速轴承故障诊断方法，包括：利用振动信号传感器收集滚动轴承动态信号；从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。

Variational Nonlinear Mode Decomposition Method for Fault Diagnosis of Variable Speed Bearings

The invention discloses a fault diagnosis method of variable speed bearing based on variational non-linear mode decomposition. The invention provides a method for fault diagnosis of variable speed bearings based on variational non-linear mode decomposition, which includes: collecting dynamic signals of rolling bearings by using vibration signal sensor; separating low frequency region from vibration signal, and identifying resonance band by fast spectral kurtosis method, thereby realizing frequency band separation; extracting frequency conversion curve and resonance band by ridge extraction algorithm in low frequency region, respectively. The rough frequency information is obtained by extracting the fault characteristic frequency curve; the rough frequency information is taken as the initial value, and the optimal analysis is carried out by the variational non-linear mode decomposition method to obtain the accurate estimation of the frequency conversion and fault characteristic frequency; the optimized frequency conversion and fault characteristic frequency are calculated by the characteristic order, and the fault type is judged by comparing the theoretical value.

【技术实现步骤摘要】
变分非线性模式分解变转速轴承故障诊断方法
本专利技术涉及轴承诊断领域，具体涉及一种变分非线性模式分解变转速轴承故障诊断方法。
技术介绍
旋转机械设备正朝着大型化、精密化和智能化的方向发展，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，而滚动轴承是各类旋转机械中最常用的零部件之一。因此，对滚动轴承的健康状态进行检测极为重要。当轴承部件出现故障时，会产生周期性的瞬态冲击响应，如何对其进行有效提取和准确评估是轴承故障诊断的关键。但是，由于工作环境的复杂性，从设备现场采集的振动信号往往是变转速、变载荷的，信号具有非线性和非平稳性的特征，从而严重影响了故障特征信号的识别。因此，开展变转速工况下滚动轴承瞬态特征提取与故障判别具有实际意义。传统技术存在以下技术问题：目前已发展了许多变转速轴承故障诊断方法，其中阶次跟踪是变工况设备故障诊断常用分析方法之一，具有较强的抗噪性，采用阶次谱代替传统的频谱以降低图谱模糊现象。硬件阶次跟踪方法是最早的阶次分析技术，它依靠转速计提供所需的转频信息，但安装成本和工作环境限制了其使用范围。近年来，逐渐有学者将基于信号时频分析的无键相阶次跟踪方法引入到变转速信号处理领域，发展出了基于广义解调方法和同步挤压算法增加时频聚集性；利用小波脊线识别方法分析了变转速工况下机轴承故障信号；综合集合经验模态分解方法和阶次跟踪回技术对速度波动信号进行解调得到故障特征。需注意的是，在实际时频分析中，传统方法的时频图聚集性差、计算复杂、时效性欠佳，因而脊线提取的频率信息不够准确。
技术实现思路
本专利技术要解决的技术问题是提供特征信息分离的变分非线性模式分解变转速轴承故障诊断方法。为了解决上述技术问题，本专利技术提供了一种变分非线性模式分解变转速轴承故障诊断方法，包括：利用振动信号传感器收集滚动轴承动态信号；从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。在其中一个实施例中，“从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；”具体包括以下步骤：对振动信号x(t)进行低频滤波，低频段选取范围为[0,f0]，f0取200Hz，涵盖所需的转频信息，得到低频分量x1(t)；对振动信号x(t)进行共振解调，共振频段选取范围为[fl,fh]，采用快速谱峭度方法自适应地识别出共振频带，准确地提取出高频分量x2(t)，快速谱峭度方法可以表示为式中，<>表示时间平均函数，|X(t,fc)|表示时频信号在频率点fc的包络。在其中一个实施例中，“采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；”包括以下步骤：信号x(t)的短时傅里叶变换(STFT)可以表示为式中，τ表示时移，ω表示频率，h(t)是高度为1、宽度有限的窗函数，Sx(τ,ω)是信号x(t)的STFT结果；采用脊线提取算法分别搜索低频段转频脊线和共振带故障特征频率脊线，脊线提取具体算法为式中，Δf代表连续点之间的最大间隔频率，fR和fL分别代表频率搜索的前进和后退方向，tR和tL分别是时间移动的前进和后退方向在提取转频脊线时，需预估转频所在范围，以便对结果进行修正；同理可以提取出共振频段的故障特征频率曲线。在其中一个实施例中，“以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；”中的变分非线性模式分解方法为：采用交替乘子法求解变分约束模型：其中，Γ(ω)是一个罚函数，Ω是修正的二阶差分算子，λ表示拉格朗日乘子，α表示二次惩罚项。在其中一个实施例中，具体过程为：初始化相关参数λ和α，设置停止准则，并且将预提取出的转频和故障特征频率作为初始值，输入到变分约束模型中，经过一系列迭代分解后，得到准确估计的转频和故障特征频率。在其中一个实施例中，“对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。”中的特征阶次计算方法为：其中，和分别表示变分非线性模式分解优化后的故障特征频率和转频；至此，得到的阶次比值与标准值进行比较以判断故障的具体类型。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，所述处理器执行所述程序时实现任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，该程序被处理器执行时实现任一项所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。本专利技术的有益效果：本专利技术提出了一种特征信息分离的变分非线性模式分解变转速轴承故障诊断方法，克服了传统时频分析方法中脊线信息提取困难的问题，能够通过变分非线性模式分解方法对预提取出的脊线信息进行优化，提高频率估计的准确性；在提出的方法中使用了频带分离方式从低频带提取转频信息，从共振带提取故障特征频率信息，减少了噪声的干扰；在提出的方法中，通过计算特征阶次判断故障类型，可以避免传统阶次谱重采样过程中引入的误差，同时减少计算量。附图说明图1特征信息分离的变分非线性模式分解变转速轴承故障诊断方法的流程图。图2模拟信号波形。图3快速谱峭度分解结果。图4各频带信号包络和时频图(a)低频带信号包络(b)低频带时频表示(c)共振带信号包络(d)共振带时频表示。图5脊线提取方法分析结果(a)转频脊线提取结果(b)故障特征频率脊线提取结果。图6本专利技术的变分非线性模式分解方法优化结果(a)转频脊线优化结果(b)故障特征频率脊线优化结果。图7传统峰值搜索方法和原始变分非线性模式分解方法提取结果(a)峰值搜索方法转频脊线提取结果(b)峰值搜索方法故障特征频率脊线提取结果(c)原始变分非线性模式分解方法转频脊线提取结果(d)原始变分非线性模式分解方法故障特征频率脊线提取结果。具体实施方式下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。本专利技术提供了一种特征信息分离的变分非线性模式分解变转速轴承故障诊断方法。该方法是在脊线预提取方法的基础上，采用变分非线性模式分解方法自适应地实现频率脊线的准确估计，克服了传统时频分析方法存在的难题。本专利技术的目的是这样实现的，本专利技术包括如下步骤：(1)利用振动信号传感器收集滚动轴承动态信号。(2)从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离。(3)采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息。(4)以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率。(5)对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。进一步的，所述步骤2具体包括以下步骤：步骤2.1：对振动信号x(t)进行低频滤波，低频段选取范围为[0,f0]，本文档来自技高网...

【技术保护点】
1.一种变分非线性模式分解变转速轴承故障诊断方法，其特征在于，包括：利用振动信号传感器收集滚动轴承动态信号；从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。

【技术特征摘要】
1.一种变分非线性模式分解变转速轴承故障诊断方法，其特征在于，包括：利用振动信号传感器收集滚动轴承动态信号；从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。2.如权利要求1所述的变分非线性模式分解变转速轴承故障诊断方法，其特征在于，“从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；”具体包括以下步骤：对振动信号x(t)进行低频滤波，低频段选取范围为[0,f0]，f0取200Hz，涵盖所需的转频信息，得到低频分量x1(t)；对振动信号x(t)进行共振解调，共振频段选取范围为[fl,fh]，采用快速谱峭度方法自适应地识别出共振频带，准确地提取出高频分量x2(t)，快速谱峭度方法可以表示为式中，<>表示时间平均函数，|X(t,fc)|表示时频信号在频率点fc的包络。3.如权利要求1所述的变分非线性模式分解变转速轴承故障诊断方法，其特征在于，“采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；”包括以下步骤：信号x(t)的短时傅里叶变换(STFT)可以表示为式中，τ表示时移，ω表示频率，h(t)是高度为1、宽度有限的窗函数，Sx(τ,ω)是信号x(t)的STFT结果；采用脊线提取算法分别搜索低频段转频脊线和共振带故障特征频率脊线，脊线提取具体算法为式中，Δf代表连续点之...

【专利技术属性】
技术研发人员：江星星，郭文军，周建芹，石娟娟，杜贵府，黄伟国，朱忠奎，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32