一种用于滚动轴承故障特征提取的自适应变分模式分解法制造技术

本发明专利技术公开了一种用于滚动轴承故障特征提取的自适应变分模式分解法，包括：(1)搭建轴承数据采集平台，采集轴承故障振动信号x(t)，初始化本征模式分量IMF数，即参数k＝1；(2)设置k＝k+1，对采集的振动信号x(t)进行变分模式分解，分别计算第k个及第k

【技术实现步骤摘要】
一种用于滚动轴承故障特征提取的自适应变分模式分解法


[0001]本专利技术涉及一种自适应变分模式分解法，尤其涉及一种用于滚动轴承故障特征提取的自适应变分模式分解法。

技术介绍

[0002]滚动轴承在机器设备的传动系统中起着重要的作用。在实际情况下，它们在使用过程中通常在一定的压力或负载下运行，因此很容易导致轴承故障，严重影响机器设备的健康状况，因此判断其健康状态以及故障类型至关重要。为了提高物理资产在使用寿命内的可靠性，在轴承故障诊断区域引入了基于振动信号的状态监测方法。该方法一般分为三个步骤：(1)振动信号的数据采集；(2)振动信号的处理和故障特征提取；(3)故障模式的识别与诊断。其中最关键的是振动信号的处理和特征提取。
[0003]变分模式分解(VMD)方法是一种完全非递归分解方法，可以在频域同步估计具有稀疏性的分解模式。稀疏性意味着所获得的模态在其各自的中心频率周围非常紧凑，但这些中心频率两侧的频率分量是稀疏的。在大多数情况下，VMD提取的特征频率远离中心频率，这对于分割一个实际的复杂信号是一个很好的行为。正因为这一优势，许多研究使用VMD方法来提取机械振动信号的特征向量。
[0004]但是，VMD的主要限制是模式数k需要一个适当的定义，因为它直接影响了VMD的性能。在实际应用中，通常有三种方法来确定这个参数。第一种方法使用经验知识，但缺乏在复杂情况下的适应性。第二种方法采用粒子群和鱼群优化等优化算法。虽然它们可以获得一个合适的参数，但效率太低，因为它需要实施大量的试验。最后一种方法是自适应方法，即当分别使用不同的模式数执行VMD时，使用时域或多个指标来评估分解模式中特征信息量的变化，进而自适应确定模式数。但现有自适应方法存在过分解和过多引入参数而难以确定阈值的缺陷。

技术实现思路

[0005]专利技术目的：本专利技术目的是提供一种用于滚动轴承故障特征提取的自适应变分模式分解法，不仅能够自适应确定分解模式数目，还能有效抑制过分解问题。
[0006]技术方案：本专利技术包括以下步骤：
[0007]步骤一、搭建轴承数据采集平台，采集轴承故障振动信号x(t)，初始化本征模式分量IMF数，即参数k＝1；
[0008]步骤二、设置k＝k+1，对采集的振动信号x(t)进行变分模式分解，分别计算第k个及第k
‑
1个IMF分量的排列熵PE，其值分别记为PE
k
和PE
k
‑1，若|PE
k
‑
PE
k
‑1|大于阈值u1，则转步骤二；否则，设置k＝k
‑
1，对信号x(t)进行VMD分解；
[0009]步骤三、若k值小于2，转步骤五；
[0010]步骤四、计算k个IMF分量中相邻分量之间的皮尔逊相关系数e，若存在一个e值大于阈值u2，则设置k＝k
‑
1，对采集的振动信号x(t)进行VMD分解，转步骤三；
[0011]步骤五、输出k个离散的IMF特征分量。
[0012]所述步骤二中对振动信号进行变分模式分解的步骤如下：
[0013](1)假设传感器获取的振动信号为x(t)，即为变分模式分解最原始信号，参数K为分解模式数目，a为带宽参数；
[0014](2)初始化本征模式函数中心频率拉格朗日乘子λ1和迭代次数n＝0；
[0015](3)令n＝n+1，进入循环；
[0016](4)对所有w>0，更新u
k
，k∈{1,2,...,K}：
[0017][0018]更新w
k
：
[0019][0020](5)更新λ：
[0021][0022](6)重复步骤(3)～(5)，直至满足停止迭代条件：
[0023][0024](7)输出K个IMF分量。
[0025]所述步骤二中IMF分量排列熵的计算步骤如下：
[0026](1)考虑特定IMF分量，本质上IMF可以看成一个时间序列{x(i),i＝1,2,...,N}，长度为N，对其进行相空间重构，得到矩阵：
[0027][0028]其中，m是嵌入维数，τ是时间延迟；
[0029](2)矩阵中每行看作一个重构分量，对每个重构分量进行升序排序，例如第j个重构分量：
[0030]X(j)＝{x(j),x(j+τ),...,x(j+(m
‑
1)τ)}
[0031]升序排序后得到：
[0032]x(j+(i1‑
1)τ)≤x(j+(i2‑
1)τ)≤...≤x(j+(i
m
‑
1)τ)，
[0033]其中，i1,i2,...,i
m
为重构分量中每个元素所在列的索引。对重构矩阵中任一重构分量都可得到一组位置索引序列：L(j)＝(i1,i2,...i
m
),j＝1,2,3,...,k，k≤m！；
[0034](3)计算每一个位置索引序列出现的概率p1,p2,...,p
k
，IMF分量的排列熵可定义为：
[0035][0036]所述步骤四中相邻IMF分量皮尔逊相关系数的计算步骤如下：
[0037](1)两个相邻IMF分量分别记为X＝{x(i),i＝1,2,...,N}，Y＝{y(i),i＝1,2,...,N}，N为数据长度；
[0038](2)计算X与Y之间皮尔逊相关系数e：
[0039][0040]其中，
[0041]所述步骤一中的轴承故障振动信号采用扭矩传感器采集。
[0042]有益效果：本专利技术通过分析分解模式的排列熵最大值随模式数增大的变换规律以及相邻模式的皮尔逊相关性，能够有效克服变分模式分解中模式数目难以确定的缺陷，从而能够更好的用于滚动轴承故障信号的特征提取，该方法引入参数少且阈值设置较容易，不仅能够自适应确定分解模式数目，还能有效抑制变分模式分解过程中发生的过分解问题，进而提高轴承故障信号模式分解性能，更好的服务于信号特征的提取。
附图说明
[0043]图1是本专利技术的流程图；
[0044]图2是本专利技术采集的振动信号；
[0045]图3是k＝5时VMD分解的各IMF分量频谱图；
[0046]图4是k＝4时VMD分解的各IMF分量频谱图。
具体实施方式
[0047]下面结合附图对本专利技术作进一步说明。
[0048]如图1所示，本专利技术包括以下步骤：
[0049]步骤一、搭建机械轴承数据采集平台，利用扭矩传感器采集轴承故障振动信号x(t)，初始化本征模式分量(IMF)数，即参数k＝1。
[0050]步骤二、设置k＝k+1，对采集的振动信号x(t)进行变分模式分解，分别计算第k个及第k
‑
1个IMF分量的排列熵PE，其值分别记为PE
k
和PE
k
‑1。若|PE
k<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于滚动轴承故障特征提取的自适应变分模式分解法，其特征在于，包括以下步骤：步骤一、搭建轴承数据采集平台，采集轴承故障振动信号x(t)，初始化本征模式分量IMF数，即参数k＝1；步骤二、设置k＝k+1，对采集的振动信号x(t)进行变分模式分解，分别计算第k个及第k
‑
1个IMF分量的排列熵PE，其值分别记为PE
k
和PE
k
‑1，若|PE
k
‑
PE
k
‑1|大于阈值u1，则转步骤二；否则，设置k＝k
‑
1，对信号x(t)进行VMD分解；步骤三、若k值小于2，转步骤五；步骤四、计算k个IMF分量中相邻分量之间的皮尔逊相关系数e，若存在一个e值大于阈值u2，则设置k＝k
‑
1，对采集的振动信号x(t)进行VMD分解，转步骤三；步骤五、输出k个离散的IMF特征分量。2.根据权利要求1所述的一种用于滚动轴承故障特征提取的自适应变分模式分解法，其特征在于，所述步骤二中对振动信号进行变分模式分解的步骤如下：(1)假设传感器获取的振动信号为x(t)，即为变分模式分解最原始信号，参数K为分解模式数目，a为带宽参数；(2)初始化本征模式函数中心频率拉格朗日乘子λ1和迭代次数n＝0；(3)令n＝n+1，进入循环；(4)对所有w&gt;0，更新u
k
，k∈{1,2,...,K}：更新w
k
：(5)更新λ：(6)重复步骤(3)～(5)，直至满足停止迭代条件：(7)输出K个IMF分量。3.根据权利要求1所述的一种用于...

【专利技术属性】
技术研发人员：花小朋，邱林江，徐森，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：