基于变分模态分解与小波联合去噪的轴承故障诊断方法技术

本发明专利技术提供了一种基于变分模态分解与小波联合去噪的轴承故障诊断方法，对联合去噪后的信号进行多尺度特征熵提取；根据提取的多尺度熵以及预训练的神经网络模型，得到轴承故障诊断结果；其中，联合去噪，包括：采用能量差异法则确定最优分解模态层数K

【技术实现步骤摘要】
基于变分模态分解与小波联合去噪的轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断
，特别涉及一种基于变分模态分解与小波联合去噪的轴承故障诊断方法。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]轴承在工业中扮演着重要的“关节”角色，良好的健康状况可以保证旋转机械设备的安全高效运行。然而，轴承长期工作在变速变载的复杂工况下，极易受到损伤导致其使用寿命大大降低甚至失效，是机械设备中故障率较高的零部件之一。相关报告显示，45％
‑
55％的旋转机械故障是由轴承失效引起的。
[0004]轴承运转时由局部缺陷产生的脉冲信号幅值较为微弱，加之其在运行过程中不可避免地会受到谐波、随机脉冲以及背景噪声的干扰，因此由加速度振动传感器所测得轴承振动数据中脉冲信号特征不明显，导致分类器分类的准确率不高。因此，有效去除噪声，提高轴承故障诊断的准确率，对降低企业损失、保证人员生命安全具有重要意义。
[0005]专利技术人发现，在以往的实践中，采用信号分解对振动信号进行去噪的方法较为常见。而该类方法简单地认为信号经分解后的高频部分均为噪声成分，可以直接去除不予考虑；实际上，信号经分解后的信号的高频部分不仅有噪声成分，也包含了有效特征成分；若直接对信号经分解后的高频部分进行去除，难以最大程度地保留信号中的有效特征，导致部分有效信息缺失使诊断结果中有较高的误判率。

技术实现思路

[0006]为了解决现有技术的不足，本专利技术提供了一种基于变分模态分解与小波联合去噪的轴承故障诊断方法，能够较大程度地保留原有信号特征的同时消除噪声的干扰，提高了故障诊断的效果。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术第一方面提供了一种基于变分模态分解与小波联合去噪的轴承故障诊断方法。
[0009]一种基于变分模态分解与小波联合去噪的轴承故障诊断方法，包括以下过程：
[0010]获取轴承振动信号；
[0011]对获取的轴承振动信号进行联合去噪；
[0012]对联合去噪后的信号进行多尺度熵特征提取；
[0013]根据提取的多尺度熵以及预训练的神经网络模型，得到轴承故障诊断结果；
[0014]其中，联合去噪，包括：
[0015]采用能量差异法则确定最优分解模态层数K
best
，对振动信号进行变分模态分解得到K
best
个模态分量，计算各相邻模态的互信息熵；
[0016]根据计算得到的互信息熵，确定信号高频分量模态与低频分量模态的分界点，进
而得到高频分量模态与低频分量模态，对高频分量模态进行小波阈值函数去噪，将低频分量模态与去噪后的高频分量模态进行重构得到联合去噪后的信号。
[0017]作为本专利技术第一方面可选的一种实现方式，采用能量差异法则确定最优分解模态层数K
best
，包括：
[0018]对信号进行k与k+1层变分模态分解，计算分解层数为k和k+1时各分解模态总能量的差异值θ
k,k+1
，随着分解层数的增大，当θ
k,k+1
出现增长时，信号过分解，此时的k为最优分解模态层数K
best
。
[0019]作为本专利技术第一方面可选的一种实现方式，相邻模态的互信息熵，包括：
[0020][0021]其中，p(c,d)为两相邻模态向量u
i
和u
j
的联合概率分布，p(c)和p(d)分别为两相邻模态向量u
i
和u
j
的边缘概率分布。
[0022]作为本专利技术第一方面进一步的限定，确定信号高频分量模态与低频分量模态的分界点m，包括：
[0023][0024]其中，K为本征模态函数的总数量，MI(u
k
,u
k+1
)为模态u
k
与u
k+1
之间的互信息熵。
[0025]作为本专利技术第一方面可选的一种实现方式，对高频分量模态进行小波阈值函数去噪，包括：
[0026]对各高频分量模态进行小波变换，得到其对应的小波系数；
[0027]设定小波阈值函数的自适应阈值，将大于设定阈值部分的小波系数进行相关处理，小于设定阈值部分的小波系数进行去除，进行小波重构获得降噪后的高频分量模态。
[0028]作为本专利技术第一方面进一步的限定，设定小波阈值函数的自适应阈值λ，包括：
[0029][0030]其中，σ为噪声标准差，n为信号长度，J为小波分解层数。
[0031]作为本专利技术第一方面更进一步的限定，将大于设定阈值部分的小波系数进行相关处理，小于设定阈值部分的小波系数进行去除，包括：
[0032][0033]其中，ω
x
为降噪前的小波系数，λ为小波阈值函数的自适应阈值，J为小波分解系数，sgn为符号函数。
[0034]作为本专利技术第一方面进一步的限定，对联合去噪后的信号进行多尺度熵特征提取，包括：
[0035]对联合去噪后的信号进行多尺度化；
[0036]对每个尺度下的联合去噪后的信号，重新构造一组维数为m的向量矩阵x＝[x(i),
x(i+1),
…
,x(i+m
‑
1)]，其中1≤i≤n
‑
m+1；
[0037]计算x(i)与x(j)之间的距离d
ij
(1≤j≤n
‑
m,j≠i)，计算m,j≠i)，计算
[0038]对求取平均值B
m
(r)：
[0039]在对维数m+1重复上述步骤得到和B
m+1
(r)；
[0040]计算样本熵SampEn(m,r,n)＝lim(
‑
ln(B
m+1
(r)/B
m
(r)))；
[0041]将每个尺度的样本熵组合后，得到多尺度熵提取结果。
[0042]本专利技术第二方面提供了一种基于变分模态分解与小波联合去噪的轴承故障诊断系统。
[0043]一种基于变分模态分解与小波联合去噪的轴承故障诊断系统，包括：
[0044]振动信号获取模块，被配置为：获取轴承振动信号；
[0045]信号联合去噪模块，被配置为：对获取的轴承振动信号进行联合去噪；
[0046]多尺度熵特征提取模块，被配置为：对联合去噪后的信号进行多尺度熵特征提取；
[0047]轴承故障诊断模块，被配置为：根据提取的多尺度熵以及预训练的神经网络模型，得到轴承故障诊断结果；
[0048]其中，联合去噪，包括：
[0049]采用能量差异法则确定最优分解模态层数K
best
，对振动信号进行变分模态分解得到K
best
个模态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分模态分解与小波联合去噪的轴承故障诊断方法，其特征在于，包括以下过程：获取轴承振动信号；对获取的轴承振动信号进行联合去噪；对联合去噪后的信号进行多尺度熵特征提取；根据提取的多尺度熵以及预训练的神经网络模型，得到轴承故障诊断结果；其中，联合去噪，包括：采用能量差异法则确定最优分解模态层数K
best
，对振动信号进行变分模态分解得到K
best
个模态分量，计算各相邻模态的互信息熵；根据计算得到的互信息熵，确定信号高频分量模态与低频分量模态的分界点，进而得到高频分量模态与低频分量模态，对高频分量模态进行小波阈值函数去噪，将低频分量模态与去噪后的高频分量模态进行重构得到联合去噪后的信号。2.如权利要求1所述的基于变分模态分解与小波联合去噪的轴承故障诊断方法，其特征在于，采用能量差异法则确定最优分解模态层数K
best
，包括：对信号进行k与k+1层变分模态分解，计算分解层数为k和k+1时各分解模态总能量的差异值θ
k,k+1
，随着分解层数的增大，当θ
k,k+1
出现增长时，信号过分解，此时的k为最优分解模态层数K
best
。3.如权利要求1所述的基于变分模态分解与小波联合去噪的轴承故障诊断方法，其特征在于，相邻模态的互信息熵，包括：其中，p(c,d)为两相邻模态向量u
i
和u
j
的联合概率分布，p(c)和p(d)分别为两相邻模态向量u
i
和u
j
的边缘概率分布。4.如权利要求3所述的基于变分模态分解与小波联合去噪的轴承故障诊断方法，其特征在于，确定信号高频分量模态与低频分量模态的分界点m，包括：其中，K为本征模态函数的总数量，MI(u
k
,u
k+1
)为模态u
k
与u
k+1
之间的互信息熵。5.如权利要求1所述的基于变分模态分解与小波联合去噪的轴承故障诊断方法，其特征在于，对高频分量模态进行小波阈值函数去噪，包括：对各高频分量模态进行小波变换，得到其对应的小波系数；设定小波阈值函数的自适应阈值，将大于设定阈值部分的小波系数进行相关处理，小于设定阈值部分的小波系数进行去除，进行小波重构获得降噪后的高频分量模态。6.如权利要求5所述的基于变分模态分解与小波联合去噪的轴承故障诊断方法，其特
征在于，设定小波阈值函数的自适应阈值λ，包括：其中，σ为噪声标准差，n为信号长度，J为小波分解层数。7.如权利要求6所述的基于变分模态分解与小波联合去噪的...

【专利技术属性】
技术研发人员：张法业，叶呈龙，王金喜，姜明顺，张雷，隋青美，贾磊，
申请(专利权)人：山东大学，
类型：发明
国别省市：