ITD-制造技术

本发明专利技术涉及一种

【技术实现步骤摘要】
ITD
‑
参数优化MOMEDA滚动轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断领域，尤其涉及一种
ITD
‑
参数优化
MOMEDA 滚动轴承故障诊断方法
。

技术介绍

[0002]滚动轴承是机械传动系统的重要组成部分，也是易发生故障的部件，因此轴承状态的监测与诊断对于保障操作人员的安全与机械设备的正常运行有着重大意义
。
常见的滚动轴承故障类型包括轴承内圈故障
、
轴承外圈故障
、
滚动体故障
。
[0003]滚动轴承发生故障时，产生的信号往往呈非线性
、
非平稳性，常用小波变换
、
傅里叶变换等时频分析法处理此类信号，但这些时频分析法缺乏一定的自适应性
。
经验模态分解
(Empirical mode decomposition,EMD)
将信号分解为一系列本征模态函数之和，具有一定的自适应性，但存在端点效应
、
模态混淆等问题
。Frei 等提出的固有时间尺度分解
(Intrinsic time scale decomposition,ITD)
在处理端点效应和模态混淆方面有一定优势，计算速度快，适合轴承故障信号的在线处理
。
近年来
ITD
在故障诊断领域得到了广泛应用
。
[0004]Mcdonald
等提出了多点最优最小熵解卷积
(Multipoint optimal minimumentropy deconvolution adjusted,MOMEDA)
方法，虽然改进了最小熵解卷积算法 (Minimum entropy deconvolution,MED)
和最大相关峭度解卷积算法
(Maximumcorrelate kurtosis deconvolution,MCKD)
，实现信号降噪并凸出故障周期脉冲，但其滤波性能受到故障周期
T
与滤波器长度
L
的影响，而这两个参数一般采用人为经验选取，因此对这两个参数分别以
Mkurt、GISES
寻优
。
[0005]基于以上理论背景，本专利技术尝试将
ITD
和参数优化
MOMEDA
结合，根据包络谱峰值因子筛选最优
PR
分量，随后通过参数优化
MOMEDA
对最优
PR 分量降噪处理，最终通过包络谱提取故障特征频率
。

技术实现思路

[0006]本专利技术的目的在于提供一种
ITD
‑
参数优化
MOMEDA
滚动轴承故障诊断方法，为了能够有效增强故障脉冲成分，准确地提取出故障特征，实现滚动轴承的故障诊断
。
[0007]为了实现上述目的，本专利技术的技术方案是：一种
ITD
结合参数优化 MOMEDA
的滚动轴承故障特征提取方法，其包括：步骤一：利用加速度传感器采集滚动轴承振动信号；步骤二：对采集到的振动加速度信号进行
ITD
分解，得到若干
PR
分量；步骤三：通过最大
Ec
准则筛选出包含故障信息最丰富的
PR
分量；步骤四：通过
Mkurt、GISES
分别优化
MOMEDA
的参数
T、L
；步骤五：以参数优化后的
MOMEDA
对步骤二筛选出的最优
PR
分量进行降噪处理，用于提取故障特征
。
[0008]进一步的，在所述步骤二中，通过
ITD
分解振动信号的原理如下：设原始振动信号为
X
t
，
ITD
算法将原始信号
X
t
分解为
PR
分量
H
t
及单调趋势分量
L
t
之和
X
t
＝
L
t
+H
t
求解基线分量
L
t
：式中，
X
k
为
X
t
的极值点，对应的时间
τ
k
(k
＝
1,2,
…
,M)
，
t∈(
τ
k
,
τ
k+1
)
，
M
为极值点的个数，
L
为基线提取算子
。
[0009]式中，
α
是线性缩放因子，用于调节提取固有旋转分量幅度
。
α
∈[0,1]，通常取
α
＝
0.5。
[0010]求解
H
t
：式中，为最高频率的
PR
分量，以作为新的待分解信号，重复此步骤，直到基线分量变成单调函数或常函数时结束分解，则原信号最终被分解为：式中，
n
为分解层数，为第
i
层的
PR
分量，为分解到
n
层的基线信号
。
[0011]进一步的，在所述步骤三中所述对
PR
分量筛选的方法为：采用包络谱峰值因子
Ec
最大准则筛选出一个包含故障特征信息最丰富的分量
。
[0012]进一步的，所述步骤四中参数优化
MOMEDA
的具体方法为：首先确定参数
T
，计算不同的
T
值对应的多点峭度，构成多点峭度谱图，根据多点峭度谱图上的峰值识别故障周期，在多点峭度谱图中，
T
以及
T
的整数倍
、1/2、 1/3
等分数倍处也会出现峰值
。
[0013]随后确定参数
L
，以
GISES
最大为目标函数，采用变步长搜索法寻优，设置初始寻优区间为
[100,1500]，先以大步长
50
开始寻优，选出初始寻优区间内最大的
GISES
对应的
L1，随后将寻优区间设为
[L1‑
50,L1+50]，再以小步长1再次寻优，所得
L2即为最终的滤波器长度
。
[0014]相较于现有技术，本专利技术具有以下有益效果：本专利技术将
ITD
和
MOMEDA 相结合，用于滚动轴承故障诊断
。ITD
在处理端点效应和模态混淆方面有一定优势，计算速度快，适合轴承故障信号的在线处理
。MOM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种
ITD
结合参数优化
MOMEDA
的滚动轴承故障特征提取方法，其特征在于，包括如下步骤：步骤一：利用加速度传感器采集滚动轴承振动信号；步骤二：对采集到的振动加速度信号进行
ITD
分解，得到若干
PR
分量；步骤三：通过最大
Ec
准则筛选出包含故障信息最丰富的
PR
分量；步骤四：通过
Mkurt、GISES
分别优化
MOMEDA
的参数
T、L
；步骤五：以参数优化后的
MOMEDA
对步骤二筛选出的最优
PR
分量进行降噪处理，用于提取故障特征
。2.
根据权利要求1所述的一种
ITD
结合参数优化
MOMEDA
的滚动轴承故障特征提取方法，其特征在于，在所述步骤二中，通过
ITD
分解振动信号的原理如下：设原始振动信号为
X
t
，
ITD
算法将原始信号
X
t
分解为
PR
分量
H
t
及单调趋势分量
L
t
之和
X
t
＝
L
t
+H
t
求解基线分量
L
t
：式中，
X
k
为
X
t
的极值点，对应的时间
τ
k
(k
＝
1,2,
…
,M)
，
t∈(
τ
k
,
τ
k+1
)
，
M
为极值点的个数，
L
为基线提取算子
。。
式中，
α
是线性缩放因子，用于调节提取固有...

【专利技术属性】
技术研发人员：彭珍瑞，刘沛，何泽人，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：