基于振动信号的滚动轴承故障诊断方法技术

本发明专利技术涉及一种基于振动信号的滚动轴承故障诊断方法，采用CEEMDAN算法对振动信号进行分解，对得到的本征模态函数进行去趋势波动分析，计算各IMF分量的标度函数值，选取出噪声主导的IMF分量进行去噪处理；能够更好地去除噪声，并降低信号的失真度；计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构，并对重构信号进行希尔伯特包络谱分析，提取故障特征频率，引入灰狼算法对多尺度排列熵的初始参数进行优化，再对重构信号进行MPE值计算，并选择合适的MPE值构建滚动轴承故障特征集，将故障特征向量输入到训练好的支持向量机中进行滚动轴承故障识别，使熵值区分度高，构建故障特征向量更好，识别率更高。别率更高。别率更高。

【技术实现步骤摘要】
基于振动信号的滚动轴承故障诊断方法


[0001]本专利技术涉及滚动轴承故障诊断方法，具体的说，是涉及一种基于振动信号的滚动轴承故障诊断方法。

技术介绍

[0002]滚动轴承是旋转机械的核心元件，也是极易受损的器件，若是滚动轴承发生故障，轻则导致生产线停止工作，重则导致人员伤亡。因此需要对轴承进行故障诊断，判断其故障位置，并对故障部件及时进行维修或更换。
[0003]对于滚动轴承不同部件发生故障，其运转周期以及结构尺寸都不同，这也就导致轴承故障频率不同。
[0004]目前轴承振动信号去噪方法主要有两种：一种是基于小波阈值去噪法，另一种是基于经验模态分解(EMD)去噪法。小波阈值去噪针对整个信号进行处理，但是噪声是高频分量，小波阈值对于低频分量处理时，会造成一定程度的信号失真。基于经验模态分解(EMD)去噪法，EMD算法具有端点效应、模态混叠的不足；CEEMDAN经验模态分解可实现对信号的自适应分解，产生一些列IMF分量，但其去噪是将含有噪声分量较多的IMF 分量直接去除，同时一些有用信息也被去除掉，造成信号失真度较高。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于振动信号的滚动轴承故障诊断方法，其特征在于，包括如下步骤：首先，对采集到的滚动轴承振动信号进行去噪处理；步骤S101，采集或输入含有噪音的振动信号；步骤S102，采用CEEMDAN算法对振动信号进行分解，分解得到多个IMF分量；步骤S103，对得到的本征模态函数进行去趋势波动分析；步骤S104，计算各IMF分量的标度函数值，判别IMF分量是否为噪音主导分量；是噪音主导的分量选取出噪声主导的IMF分量，跳转步骤S105，否则跳转步骤S107；步骤S105，对其运用改进的小波阈值函数进行去噪处理；步骤S106，得到去噪后的全部IMF分量；步骤S107，得到有用信号主导的IMF分量；其次，对滚动轴承振动信号进行故障特征提取以及故障类型识别；步骤S108，将去噪之后的振动信号进行重构再次进行CEEMDAN算法分解；步骤S109，计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构；步骤S110，使用灰狼算法对MPE的参数进行优化；步骤S111，利用灰狼
‑
MPE对重构信号进行排列熵计算，构建特征向量；步骤S112，将特征量输入到SVM中进行分类和识别。2.根据权利要求1所述基于振动信号的滚动轴承故障诊断方法，其特征在于：CEEMDAN算法对分解之后的信号进行重构时，其偏差几乎为零，与EEMD算法相比具有更好的分解完备性，并且可以较好的克服EEMD算法存在的缺陷；它的计算过程如下：(1)通过EMD算法对信号进行分解，产生的第j个IMF分量用算子E
j
(
·
)来进行定义，并且CEEMDAN算法分解出来的第j个IMF分量定义为IMF
j
′
,n
i
(t)代表着高斯白噪声；CEEMDAN算法对待处理的原信号和白噪声组合形成的含噪信号x(t)+ε0·
n
i
(t)进行I次EMD分解试验，得：(2)当在第一阶段(j＝1)时求取第一个残余序列：r1(t)＝x(t)
‑
IMF1′
(t)(2)(3)对于r1(t)+ε1E1(n
i
(t))(i＝1,2,
…
)，使用EMD算法进行多次处理，一直处理到产生第一个IMF分量为止，然后在紧跟着计算第二个IMF分量：(4)对其他剩下的阶段(j＝2,3,
…
J),进行上述第(3)步，将第j+1个IMF分量表示为：r
j
(t)＝r
j
‑1‑
IMF
j
(t)(4)(5)对于j进行加1处理，并且反复进行第(4)步，一直求到的残余序列不能在进行处理为止，当CEEMDAN算法停止时，求得的IMF分量的数目为J个，将最后计算所得的残余序列表示为如下：
(6)经CEEMDAN算法处理完之后的原始信号x(t)用IMF分量和残余分量表示为：针对传统CEEMDAN去噪中噪声和信息主导的IMF分量的临界点较难判定的问题，将去趋势波动分析(DFA)引入到IMF分量临界点的判定上来；DFA是一种衡量非平稳序列长程相关性的方法，通过消除时间序列的局部趋势来避免非平稳性造成的虚假相关性，其具体步骤如下：(1)首先是对已知的时间序列x(i)进行处理，计算公式如(8)所示，再对计算所得的时间序列y(k)进行分段处理，分解为长度是n的N
n
个分段；个分段；其中，定义为x(i)在时间段[1,N]中的平均值；(2)进行公式(10)的计算获得每个序列分段的自有趋势y
s
(i)，主要是对每个序列分段当中的极值点使用最小二乘法进行非线性融合；(3)对求得的每个序列分段中的不确定趋势进行去除，并且把序列分段的二阶波动系数求出来，计算公式分别为(11)与(12)；计算公式分别为(11)与(12)；(4)更改步骤(1)中求取出来的分段长度n，并且重复步骤2、3的计算，这样就可以得到在分段长度n发生变化时的时间序列波动函数变化量，进一步按照变化量绘制变化曲线图，其中曲线的斜率α就是所需要的标度函数；F(n)
∝
n
α
(14)根据求取出来的标度函数值α进行判断IMF分量中的噪声和有用信息分量，对噪声主导的IMF分量进行改进小波阈值去噪；步骤如下：根据选取出来的IMF分量进行重构x(t)，对x(t)进行一维离散小波变换：
其中，ψ(t)为离散小波尺度函数；式(15)对应的小波系数表达式为：d
j,k
＝u
j,k
+e
j,k
其中，d
j,k
为重构信号x(t)经过小波变换多尺度分解后的各层小波细节系数，u
j,k
与e

【专利技术属性】
技术研发人员：王毅，程学珍，赵猛，王瑜，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：