基于AVMDNS和Fast-SC的轴承故障诊断方法技术

本发明专利技术公开一种基于AVMDNS和Fast

【技术实现步骤摘要】
基于AVMDNS和Fast
‑
SC的轴承故障诊断方法


[0001]本专利技术属于机电设备的状态监测与故障诊断
，尤其涉及一种基于AVMDNS和Fast
‑
SC的轴承故障诊断方法。

技术介绍

[0002]滚动轴承作为旋转机械中的关键部件，在工业领域中应用广泛。由于复杂、恶劣的工作环境，导致滚动轴承容易出现各种失效故障，现有技术往往是通过停机拆卸来检查滚动轴承故障类型，不仅耗费时间成本，还可能造成重大的经济损失。
[0003]随着信号处理技术的不断完善，对机械运转时的数据采集也能达到较高的技术要求，为机械设备在线监测和故障诊断提供了技术支持。然而，滚动轴承早期故障较为微弱，且被强大的背景噪声和干扰分量所淹没，现有的常规故障诊断方法受背景噪声和干扰分量的影响较大，鲁棒性和精确度无法得到保证。

技术实现思路

[0004]本专利技术目的在于提供一种基于AVMDNS和Fast
‑
SC的轴承故障诊断方法，以解决现有的常规故障诊断方法受背景噪声和干扰分量的影响较大，鲁棒性和精确度无法得到保证的技术问题。
[0005]为实现上述目的，本专利技术的一种基于AVMDNS和Fast
‑
SC的轴承故障诊断方法的具体技术方案如下：
[0006]一种基于AVMDNS和Fast
‑
SC的轴承故障诊断方法，其具体实施方式包括以下步骤：
[0007]S1：利用加速度传感器获取被检测的滚动轴承设备的振动信号数据；
[0008]S2：对上述振动信号先对其进行去除线性趋势预处理，再应用AVMD将振动信号自适应地分解为一系列IMFs；
[0009]S3：根据式(1)计算每个IMFs的相关峭度(CK
i
)，并求其均值(CK
mean
)；
[0010][0011]式(1)中，T
s
为解卷积周期，M是位移数；
[0012]S4：比较CK
i
和CK
mean
：
[0013]如果CK
i
<CK
mean
，则将改进小波阈值降噪算法应用于对应的IMF
ni
(IMF
ni
,i＝1,2,
…
,l)进行降噪处理；
[0014]如果CK
i
>CK
mean
，则保留所对应的IMF
ei
(IMF
ei
,i＝l+1,l+2,
…
,K)至步骤S5；
[0015]S5：通过式(2)对降噪后的IMF
ni
和IMF
ei
进行加权重构，获得重构信号；
[0016][0017]式(2)中，
[0018]S6：将Fast
‑
SC应用于重构信号以进一步抑制残余噪声和干扰频率成分，提取滚动轴承故障特征频率。
[0019]其中，步骤S2进一步包括：
[0020]S21：初始化GWO算法各项参数，设置灰狼种群数量为10，最大迭代次数为10，参数K和α的范围分别为[2，10]和[100，5000]，随机产生个体灰狼的位置；
[0021]S22：个体灰狼位置对应参数[K，α]的不同组合，作为VMD的输入得到一系列IMFs；然后计算IMFs的平均包络熵(MEE)，并根据上述计算结果更新灰狼α、β和δ的位置；
[0022]S23：计算参数a、A和C，并更新每个灰狼的位置；
[0023]S24：返回步骤S22进行循环迭代，直到达到最大迭代次数，输出最优参数组合[K，α]；
[0024]S25：基于最优参数组合[K，α]，利用AVMD将滚动轴承振动信号分解为一系列IMFs。
[0025]步骤S6进一步包括：
[0026]S61：对于时域信号x(t)，先求其STFT，再对STFT的系数进行傅里叶变换，然后返回一个沿循环频率轴扫描谱相关特性的相关量；Fast
‑
SC定义为公式(3)：
[0027][0028]式(3)中，α是循环频率，f是载波频率，Δf为载频分辨率；
[0029]S62：由Fast
‑
SC可求出快速谱相干，表示为公式(4)：
[0030][0031]式(4)中，α是循环频率，f是载波频率；
[0032]S63：由此可得如公式(5)所示的增强包络谱：
[0033][0034]式(5)中，α是循环频率，f是载波频率，f1和f2是所选f的起始和终止频率。
[0035]本专利技术的一种基于AVMDNS和Fast
‑
SC的轴承故障诊断方法具有以下优点：所提基于AVMDNS和Fast
‑
SC的轴承故障特征提取方法具有多级降噪机制，可以准确地提取滚动轴承故障特征，将其应用在滚动轴承振动信号数据上，可实现滚动轴承在线故障检测与诊断。
[0036]与现有技术相比，本专利技术基于AVMDNS和Fast
‑
SC相结合的方法，利用在滚动轴承试验台上实时采集的振动信号数据进行滚动轴承故障类型的诊断，所提出的滚动轴承故障诊断方法能够有效抑制振动信号中的强背景噪声和干扰频率，增强周期性故障脉冲，实现在不需要停机拆卸设备情况下轴承故障特征的提取，精准地确定故障位置，提高故障诊断的效率。
附图说明
[0037]图1为本专利技术的基于AVMDNS和Fast
‑
SC的轴承故障诊断方法的AVMDNS和Fast
‑
SC流程图。
[0038]图2为实施例1的滚动轴承外圈故障振动信号的时域波形图。
[0039]图3为实施例1的滚动轴承外圈故障振动信号的频域图。
[0040]图4为实施例1的滚动轴承外圈故障振动信号采用本专利技术AVMDNS降噪后的效果图。
[0041]图5为实施例1的滚动轴承外圈故障振动信号采用本专利技术AVMDNS和Fast
‑
SC故障诊断方法所得的频域图。
具体实施方式
[0042]为了更好地了解本专利技术的目的、结构及功能，下面结合附图，对本专利技术一种基于AVMDNS和Fast
‑
SC的轴承故障诊断方法做进一步详细的描述。
[0043]如图1所示，本专利技术针对强背景噪声下滚动轴承早期微弱故障特征难以提取的问题，提出了一种具有噪声抑制的自适应变分模态分解和快速谱相关(AVMDNS
‑
Fast
‑
SC)的多级降噪方法来提取滚动轴承故障特征信息，AVMDNS算法能自适应地选择VMD参数K和α，减少了基于经验或信号先验知识对选择VMD参数不当造成的误差。同时，AVMDNS还有效地抑制了IMFs中的噪声，避免意外删除包含重要故障信息的IMFs。此外，Fast
‑...

【技术保护点】

【技术特征摘要】
1.一种基于AVMDNS和Fast
‑
SC的轴承故障诊断方法，其特征在于，包括以下步骤，且以下步骤顺次进行：S1：利用加速度传感器获取被检测的滚动轴承设备的振动信号数据；S2：对上述振动信号先对其进行去除线性趋势预处理，再应用AVMD将振动信号自适应地分解为一系列IMFs；S3：根据式(1)计算每个IMFs的相关峭度CK
i
，并求其均值CK
mean
；式(1)中，T
s
为解卷积周期，M是位移数；S4：比较CK
i
和CK
mean
：如果CK
i
<CK
mean
，则运用改进小波阈值降噪算法于对应的IMF
ni
，进行降噪处理；如果CK
i
>CK
mean
，则保留所对应的IMF
ei
至步骤S5；S5：通过式(2)对降噪后的IMF
ni
和IMF
ei
进行加权重构，获得重构信号；式(2)中，S6：将Fast
‑
SC应用于重构信号以进一步抑制残余噪声，提取滚动轴承故障特征频率。2.根据权利要求1所述的基于AVMDNS和Fast
‑

【专利技术属性】
技术研发人员：梁小夏，田少宁，甄冬，张浩，冯国金，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：