[發明專利]基于變分模態分解和排列熵的滾動軸承故障診斷方法

在審

• 申請號: 201610325297.8
• 申請日: 2016-05-16
• 公開（公告）號: CN105758644A
• 公開（公告）日: 2016-07-13
• 發明（設計）人: 鄭小霞;周國旺
• 申請（專利權）人: 上海電力學院
• 主分類號: G01M13/04
• 分類號: G01M13/04;G06K9/00;G06K9/62
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 吳寶根

技術領域

本發明涉及一種滾動軸承故障診斷方法，特別涉及一種基于變分模態分解和排列熵的滾動軸承故障診斷方法。

背景技術

滾動軸承是機械設備中廣泛應用的零部件，其運行狀態好壞將直接影響設備的生產效率和安全。在機械設備實際運行中，若不能及時發現滾動軸承早期故障，其故障產生的沖擊會加速滾動軸承的損壞，最終導致滾動軸承失效，對機械正常運行帶來嚴重影響。滾動軸承是機械系統中最為脆弱的元件之一，大約30％的機械設備故障是由滾動軸承局部損傷故障引起(陳進.機械設備振動監測與故障診斷[M].上海：上海交通大學出版社，1999)。因此，滾動軸承的故障診斷技術是機械設備故障診斷中重要組成部分。

由于軸承振動信號大都為多分量的調幅-調頻信號，僅通過原始的振動信號很難提取到故障特征信息，需要對振動信號進行分解后，再對分解后的各分量進行處理提取特征信息。軸承的振動信號具有非平穩特征，目前非平穩信號分解方法常用的有小波分解(任國全，韋有民，鄭海起.基于小波分析的軸承故障診斷研究[J].河北省科學院學報，2002，19(2)：112-116)方法和經驗模態分解(EmpiricalModeDecomposition，簡稱EMD)方法(高強，杜小山，范虹，等.滾動軸承故障的EMD診斷方法研究[J].振動工程學報，2007，20(1)：15-18)。雖然小波變換和EMD等故障診斷技術研究已經取得了很大的進展，這些理論和方法還需要進一步完善。如小波分析中小波基和濾波閾值的選取問題；EMD方法遞歸篩選缺少誤差較正，對噪聲比較敏感等。

變分模態分解(VariationalModeDecomposition，簡稱VMD)是一種自適應信號處理方(DragomiretskiyK，ZossoD.Variationalmodedecomposition[J].IEEETranonSignalProcessing，2014，62(3)：531-544)，通過迭代搜尋變分模態的最優解，不斷更新各模態函數及中心頻率，得到若干具有一定帶寬的模態函數。該方法能夠將信號分解為若干本征模態分量，能有效減少無效分量和模態混疊。

排列熵(PermutationEntropy，簡稱PE)算法(ChristophB，BerndP.Permutationentropy：anaturalcomplexitymeasurefortimeseries.[J].PhysicalReviewLetters，2002，88(17)：174102)是一種檢測時間序列隨機性和動力學突變的方法，它具有計算簡單、抗噪聲能力強等特點。而振動信號往往具有非線性、非平穩性特征，已有學者將排列熵用于機械振動信號突變檢測并取得較好效果。

發明內容

本發明是針對滾動軸承的故障診斷中故障特征信息提取困難的問題，提出了一種基于變分模態分解和排列熵的滾動軸承故障診斷方法，結合VMD對信號分解的優點和排列熵能檢測時間序列隨機性和動力學突變特點，更好的實現滾動軸承的特征提取和故障診斷。

本發明的技術方案為：一種基于變分模態分解和排列熵的滾動軸承故障診斷方法，具體包括如下步驟：

1)利用加速度傳感器測量滾動軸承振動信號，采集滾動軸承正常狀態、內圈故障、外圈故障、滾動體故障狀態下振動信號，得到各狀態下的振動數據；

2)采用變分模態分解方法對軸承四種狀態下的振動信號數據進行分解，即對軸承振動信號尋求K個模態函數，使得每個模態的估計帶寬之和最小，且各模態函數之和等于輸入的軸承振動信號；

3)對步驟2)所得軸承振動信號的K個模態函數，計算各模態分量復雜度特征的排列熵測度，并構建高維特征向量，將該向量作為SVM的故障診斷輸入向量；

4)將得到的高維特征向量輸入支持向量機SVM分類器進行訓練，得到每一類型故障的SVM診斷模型；

5)采集待測軸承振動信號，按照步驟1)、2)、3)構建測試樣本高維特征向量，分別輸入訓練好的SVM診斷模型，通過SVM分類器的輸出結果得到軸承的故障類型和工作狀態，實現滾動軸承的故障診斷。

所述步驟2)采用變分模態分解方法對軸承四種狀態下的振動信號數據進行分解，具體包括如下步驟：

對每個模態函數u_k(t)進行Hilbert變換，得到其解析信號：