本发明专利技术公开了一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，包括通过CEEMDAN对采集轴承振动信号进行模式分解，依次生成多个模式分量；采用灰色关联分析法对多个模式分量划分成噪声主导分量和信号主导分量，保留所有分量，不剔除任何分量，不会造成有效信息的流失；对噪声主导分量进行自适应去噪，去噪后的分量与信号主导分量进行重构，生成重构信号，实现了对原始信号的有效降噪；计算重构信号的Teager能量算子，使用Teager能量谱图识别故障类型；不仅有效避免了IMF分量筛选的不合理性，而且有效客服了降噪时阈值难以调控的问题，进而提高了滚动轴承故障信号的降噪性能，更好的服务于信号特征的提取和故障诊断。更好的服务于信号特征的提取和故障诊断。更好的服务于信号特征的提取和故障诊断。
【技术实现步骤摘要】
一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法
[0001]本专利技术涉及轴承故障诊断
，具体为一种基于CEEMDAN与自适应去 噪的滚动轴承故障诊断方法。
技术介绍
[0002]在机械轴承的工作过程中，轴承往往受到特殊环境的影响，很容易出现轴 承故障。轴承一旦发生故障，对机械系统的性能和稳定性就有一定的影响。在 对其进行检修过程中，由于受复杂环境的影响，采集到轴承的振动信号，含有 大量的噪声。这严重影响了后续信号的特征提取和故障检测，因此对原信号进 行降噪处理显得极其重要。
[0003]自适应噪声完备集合经验模式分解(CEEMDAN)是一种处理非线性和非平稳 性信号较好的方法。相比于传统的分解方法，它能够通过加入自适应噪声来辅 助信号的分解，使信号分解更加完备的同时，模态混淆现象和重构误差也减少。 正因为这一优势，许多研究使用CEEMDAN方法对械振动信号进行分解。
[0004]但是，直接CEEMDAN分解无法达到对原始信号降噪的效果，需结合其他方 法来完成降噪，进而更好地进行故障检测。在实际应用中，通常有二种方法与 CEEMDAN分解法结合。第一种，利用排列熵分别计算CEEMDAN分解得到IMF分量 的熵值，将熵值较大的IMF删除，剩余的IMF量进行重构。这种方法简单，但 删除的IMF中有大量的有用信息，降噪效果较差。第二种，计算CEEMDAN分解 得到IMF分量与原始信号的相关系数，挑选一部分IMF分量进行小波阈值去噪， 降噪完与剩余分量进行重构。这种方法能达到较好的效果，但该方法存在引入 的参数过多以及阈值难以确定的缺陷。所以急需一种基于CEEMDAN与自适应去 噪的滚动轴承故障诊断方法来解决上述问题。
技术实现思路
[0005]本专利技术提供一种能实现滚动轴承早期故障频率的提取和故障类型的准确识 别基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，来解决上述现有技术 中存在的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于CEEMDAN与自适应 去噪的滚动轴承故障诊断方法，包括如下步骤：
[0007]S1、采集轴承振动信号，并通过CEEMDAN对振动信号进行模式分解，依次 生成多个模式分量；
[0008]S2、采用灰色关联分析法对多个模式分量进行分组，包括噪声主导分量和 信号主导分量；
[0009]S3、对噪声主导分量进行自适应去噪，去噪后的分量与信号主导分量进行 重构，生成重构信号；
[0010]S4、计算重构信号的Teager能量算子，使用Teager能量谱图识别故障类 型。
[0011]2.根据权利要求1所述的一种基于CEEMDAN与自适应去噪的滚动轴承故障 诊断方法，其特征在于：在步骤S1中，搭建机械轴承数据采集平台，利用加速 度传感器采集轴承振
动信号x(t)。
[0012]优选的，模式分解具体为：
[0013](1)、令r0(t)＝x(t)；
[0014](2)、向振动信号x(t)中添加不同幅值的白噪声，r
0i
(t)＝r0(t)+ε0w
(i)
(t)，其 中，w
(i)
(t)为白噪声，ε0为噪声的幅值，i＝1,2...,I，其中，I为添加白噪声的次数；
[0015](3)、对加噪信号r
0i
(t)分别进行经验模式分解，取各自分解的第一阶模式 分量IMF
1i
(t)，然后对其求平均值，得到信号r0(t)的第一阶模式分量IMF1(t)及残余 信号r1(t)＝r0(t)
‑
IMF1(t)；
[0016](4)、对残余信号r1(t)进行加噪处理，得加噪信号r
1i
(t)＝r1(t)+ε1w
(i)
(t)，对信 号r
1i
(t)分别经验模式分解，取各自分解的第一阶模式分量，然后对其求平均值， 得信号r0(t)的第二阶模式分量IMF2(t)及残余信号r2(t)＝r1(t)
‑
IMF2(t)；
[0017](5)、如此类推，当残差r
n
(t)为一个单调函数时，迭代结束，最终原始信 号
[0018]优选的，在步骤S2中，通过灰色关联分析法计算分解后的第一个模式分量 与其它模式分量之间的灰色关联度值，并求其平均值，其中，选择灰色关联度 值大于平均值的模式分量以及第一个模式分量作为噪声主导分量，其它模式分 量视为信号主导分量。
[0019]优选的，灰色关联分析法计算过程包括：
[0020](1)、输入CEEMDAN分解所得的模式分量集IMF＝{IMF1,IMF2,K,IMF
n
}， IMF
i
＝{IMF
i
(1),IMF
i
(2),K,IMF
i
(N)}，其中IMF
i
表示模式分量，i＝0,1,2...,n，IMF
i
(t)表 示第i个模式分量中的元素，t＝1,2,...,N，其中N为信号长度；
[0021](2)、确定分析序列，IMF1代表目标序列，IMF
i
代表因子序列，i＝2,3,...,n；
[0022](3)、对IMF
i
(i＝1,2,...,n)数据预处理，先求出IMF
i
中最小的元素并取绝对 值，记min|IMF
i
(t)|，其次IMF
i
中的每个元素加上该值，记 IMF
i0
(t)＝IMF
i
(t)+min|IMF
i
(t)|，然后对IMF
i0
(t)求平均值，记为最 后用IMF
i0
(t)除以该平均值，得到新的元素
[0023](4)、计算IMF1与IMF
i
(i＝1,2,K,n)之间的灰色关联系数γ
i
(t)：
[0024]ρ＝0.5；
[0025](5)、计算IMF1与IMF
i
(i＝1,2,K,n)之间的灰色关联度ξ
i
，
[0026]优选的，在步骤S3中，自适应去噪具体为：
[0027](1)、计算噪声主导分量IMF
j
标准差其中N 为IMF
j
的长度，为IMF
j
的平均值；
[0028](2)、删除IMF
j
中大于3δ0的元素，剩余的元素构成新的模式 分量i＝1；
[0029](3)、计算的标准差其中L
i
为的 长度，为的平均值；
[0030](4)、计算中是否有大于3δ
i
的元素，若没有，则确定阈 值λ＝3δ
i
，进行步骤(5)；若有，则删除相应元素，剩余元素本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其特征在于，包括如下步骤：S1、采集轴承振动信号，并通过CEEMDAN对振动信号进行模式分解，依次生成多个模式分量；S2、采用灰色关联分析法对多个模式分量进行分组，包括噪声主导分量和信号主导分量；S3、对噪声主导分量进行自适应去噪，去噪后的分量与信号主导分量进行重构，生成重构信号；S4、计算重构信号的Teager能量算子，使用Teager能量谱图识别故障类型。2.根据权利要求1所述的一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其特征在于：在步骤S1中，搭建机械轴承数据采集平台，利用加速度传感器采集轴承振动信号x(t)。3.根据权利要求2所述的一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其特征在于：模式分解具体为：(1)、令r0(t)＝x(t)；(2)、向振动信号x(t)中添加不同幅值的白噪声，r
0i
(t)＝r0(t)+ε0w
(i)
(t)，其中，w
(i)
(t)为白噪声，ε0为噪声的幅值，i＝1,2...,I，其中，I为添加白噪声的次数；(3)、对加噪信号r
0i
(t)分别进行经验模式分解，取各自分解的第一阶模式分量IMF
1i
(t)，然后对其求平均值，得到信号r0(t)的第一阶模式分量IMF1(t)及残余信号r1(t)＝r0(t)
‑
IMF1(t)；(4)、对残余信号r1(t)进行加噪处理，得加噪信号r
1i
(t)＝r1(t)+ε1w
(i)
(t)，对信号r
1i
(t)分别经验模式分解，取各自分解的第一阶模式分量，然后对其求平均值，得信号r0(t)的第二阶模式分量IMF2(t)及残余信号r2(t)＝r1(t)
‑
IMF2(t)；(5)、如此类推，当残差r
n
(t)为一个单调函数时，迭代结束，最终原始信号4.根据权利要求1或3所述的一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其特征在于：在步骤S2中，通过灰色关联分析法计算分解后的第一个模式分量与其它模式分量之间的灰色关联度值，并求其平均值，其中，选择灰色关联度值大于平均值的模式分量以及第一个模式分量作为噪声主导分量，其它模式分量视为信号主导分量。5.根据权利要求4所述的一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其特征在于：灰色关联分析法计算过程包括：(1)、输入CEEMDAN分解所得的模式分量集IMF＝{IMF1,IMF2,K,IMF
n
}，IMF
i
＝{IMF
i
(1...
【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。