基于AR-VMD的变工况轴承故障数据预处理方法技术

本发明专利技术提出了一种基于AR

【技术实现步骤摘要】
基于AR
‑
VMD的变工况轴承故障数据预处理方法


[0001]本专利技术涉及数据预处理
，具体涉及一种基于AR
‑
VMD的数据预处理方法，及变工况轴承故障数据预处理方法。

技术介绍

[0002]轴承作为各种现代工业仪器设备的基本零件，在设备的正常运行过程中发挥着至关重要的承接作用。众所周知，轴承是一种损耗性器件，它的工作状态受工况条件、自身品质、保修情况等因素影响。由于轴承应用广泛，轴承一旦在工作中出现故障，会对设备产生非常不利的影响，因此轴承的故障诊断意义重大。进入大数据时代，现代故障诊断技术面临诸多考验，简单高效的数据预处理方法成为解决矛盾的途径之一
[1]。
[0003]航空发动机的主轴轴承经常在高速、高温和复杂载荷的条件下工作，这使得它的结构与其他轴承不同。航空发动机主轴配有多个轴承，根据安装位置的不同其特性与功能有所不同。在航空发动机的运行过程中，不同位置的轴承可能会出现不同程度的打滑。轴承故障的典型特征之一是受工况影响较大，工况的变化甚至可以直接导致故障的产生。高速条件下运转的轴承会产生其他工况不易出现的故障，因此有必要研究工况变化对轴承故障的影响。转速或载荷变化时，轴承信号在时频域会有不同的故障信息表达形式。然而，针对不同故障信号构建不同的数据处理方法，耗费人力且影响信号处理准确程度。基于此类情况，本文拟研究一套针对此类高速轴承故障的数据处理算法，以实现轴承故障数据的自适应处理。
[0004]通常，利用传感器采集包含故障信息的原始数据需要先经过数据处理筛去噪声信号，突出故障信号，再根据处理数据进行故障诊断。数据处理方法的准确性在很大程度上直接影响故障诊断精度，因此如何针对信号特点进行故障数据处理，是学者非常关心的问题。和丹等
[2]利用SED增强振动信号中的齿轮偏心故障特征后，EMD分解得到的IMF采用加权
‑
相关频峭度指标自适应提取包含偏心故障特征的IMF分量，实验结果表明该方法可自适应提取故障分量。詹瀛鱼等
[3]针对EMD的模态混叠现象，提出了一种解相关多频率经验模态分解(DMFEMD)，试验证明DMFEMD能有效分离不同频率比混合信号，提高分解效果。张立智等
[4]为解决旋转机械故障诊断的问题，提出了一种经验模态分解(EMD)、奇异值分解(SVD)和深度卷积网络(CNN)相结合的故障诊断方法，并通过实验验证了该方法的优越性。Liu Bo等
[5]通过梳状滤波器和EMD进行过滤，并根据皮尔逊相关系数对模态分量进行信号重构后，利用VMD所得模态分量根据能量熵进行二次重构。宁毅等
[6]根据各IMF分量与原信号的互相关系数确定噪声与信号的分界IMF后，对噪声分量和分界分量应用改进的阈值函数进行小波去噪，诊断结果证明该方法可有效提取信号特征频率。尹逊龙等
[7]提出了一种基于麻雀算法(SSA)的自适应VMD算法，并根据皮尔逊相关系数分析对分量进行奇异值分解或者直接剔除后重构信号，实验结果表明该方法降噪效果优良。Xu Yanhe等
[8]提出了一种基于变模分解能量熵(VMD
‑
EE)和迁移学习(TL)的旋转机械混合故障诊断方法，诊断结果表明所提出的方法具有准确性和鲁棒性。黄衍等
[9]引入尺度空间概念进行频段划分，以此确定VMD所需的本
征固有模态个数、中心频率与相应的惩罚因子取值，实验表明该方法显著提高了VMD方法的自适应性和准确性。Li Yuxing等
[10]应用遗传算法(GA)对VMD的参数组合进行优化，提高了VMD的分解精度。李翠省等
[11]针对速列车轮对轴承故障，利用包络谱峭度值作为信号分解重构的筛选准则，同时结合粒子群算法构建自适应VMD方法，获得了较好的故障特征提取效果。冯刚等
[12]根据分量能量峭度区分噪声分量，以达到信号降噪目的，该方法在变转速齿轮箱故障信号提取实验中得到验证。
[0005]神经网络、深度学习等计算机网络技术发展迅速，学者们将此类技术纳入机械设备的故障诊断领域，以提高故障诊断精度。针对电力牵引系统的传感器初期故障，Hongtian Chen等
[13，14]提出了一种基于PCA技术的数据驱动传感器故障检测和诊断方法，并验证其有效性。文章
[15]提出了利用投影法建立光伏组件的非线性模型，并实现数据驱动的热点检测功能。Kunpeng Zhang等
[16]针对高速列车的时变特性和多种故障的交互性，开发多故障隔离框架以简化时变的故障参数空间分割，同时采用二级适应的故障估计方案以确定不同故障的报警优先级。然而，针对复杂工况的航空发动机轴承故障，尚且缺乏功能集成化的高效处理诊断系统。
[0006]本专利技术针对大规模的变工况轴承故障原始数据，考虑其影响因素众多且包含信息复杂，提出了一种基于自适应VMD的变工况轴承故障数据预处理方法。首先为提高VMD自适应性，提出了基于相邻模态重复最大比的自适应VMD方法，解决了模态分层数K值难以确定的问题。其次，根据包络谱熵最大原则选择分量进行小波软阈值降噪后进行重组，尽可能减少有效信息的丢失。同时，针对故障数据的变工况特点，将上述方法与数据分割、直流分量处理和边际谱分析整合成一套针对此类数据的数据预处理方法。高速轴承试验台故障数据处理实验结果表明，所提方法在去除噪声信号的同时，可以有效提取故障信号，提高故障诊断精度。
[0007][1]雷亚国.大数据驱动的机械装备智能运维理论及应用[M].北京：电子工业出版社，2021.
[0008][2]和丹，张丽洁，肖渊，et al.基于SED
‑
EMD的大圆机轻微齿轮偏心故障诊断[J].噪声与振动控制，2022，42(1):132
‑
7.
[0009][3]詹瀛鱼，程良伦，王涛.解相关多频率经验模态分解的故障诊断性能优化方法[J].振动与冲击，2020，39(1):115
‑
22,49.
[0010][4]张立智，徐卫晓，井陆阳，et al.基于EMD
‑
SVD和CNN的旋转机械故障诊断[J].振动、测试与诊断，2020，40(6):1063
‑
70.
[0011][5]LIU B，LIU C，ZHOU Y，et al.A Chatter Detection Method in Milling Based on Grey Wolf Optimization Vmd and Multi
‑
Entropy Features[Z].SSRN.2022
[0012][6]宁毅，魏志刚，周建雄.基于改进EMD和小波阈值的混合机低速重载轴承故障诊断[J].噪声与振动控制，2020，40(6):134
‑
9.
[0013][7]尹逊龙，牟宗磊，王友清.基于DVMD降噪的旋转机械故障诊断[J].控制理论与应用:1
‑
9.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AR
‑
VMD的数据预处理方法，其特征在于，确定VMD最优分层数K的步骤包括：给定K的初始值，利用VMD进行信号分解，计算分解后信号的相邻模态平均重复比AR和模态重复比阈值R
T
，当AR大于R
T
时停止迭代，此时的K值即为最优分层数；所述相邻模态平均重复比的计算公式为：式中ω
i
为第i阶模态响应的中心频率，f
s
为所分解信号的采样频率；所述模态重复比阈值的计算公式为：式中A为比值放大系数。2.应用权利要求1所述方法的变工况轴承故障数据预处理方法，其特征在于，包括如下步骤：采集变工况轴承故障信号，信号经过直流分量分离后，其中的振荡信号进入AR
‑
VMD迭代过程，具有多分量特性的信号被分解成多个有效分量；所有分量经剔除异常值后，分别进行降噪处理。3.根据权利要求2所述的变工况轴承故障数据预处理方法，其特征在于，采用绝对中位差算法剔除异常值，具体步骤包括：将经过信号分解的每一分量X分别计算对应的绝对中位值一致估计量σ，再将分量各时刻采样值X
i
的中位值绝对差与σ值进行比较，若差值超过σ值，则使用前一时刻的样本值X
i...

【专利技术属性】
技术研发人员：姜斌，张旺，李军，滕官宏伟，况侨，王心荻，马磊明，陈凯，
申请(专利权)人：中国航发南方工业有限公司，
类型：发明
国别省市：