[發(fā)明專(zhuān)利]一種信息熵優(yōu)化VMD提取軸承故障特征頻率的方法及其應(yīng)用

有效

• 申請(qǐng)?zhí)枺?/td>: 201711086012.0
• 申請(qǐng)日: 2017-11-07
• 公開(kāi)（公告）號(hào): CN107832525B
• 公開(kāi)（公告）日: 2021-01-05
• 發(fā)明（設(shè)計(jì)）人: 伍星;李華;劉韜;陳慶
• 申請(qǐng)（專(zhuān)利權(quán)）人: 昆明理工大學(xué)
• 主分類(lèi)號(hào): G06F30/20
• 分類(lèi)號(hào): G06F30/20;G06F17/18;G01M13/045
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明公開(kāi)了一種信息熵優(yōu)化VMD提取軸承故障特征頻率的方法及其應(yīng)用，方法為：首先根據(jù)信息熵最小值原則優(yōu)化VMD的模態(tài)數(shù)，采用優(yōu)化后的模態(tài)數(shù)根據(jù)信息熵最小值原則優(yōu)化VMD的懲罰因子；接著采用優(yōu)化后的模態(tài)數(shù)和懲罰因子對(duì)軸承原始振動(dòng)信號(hào)進(jìn)行VMD分解，獲得既定模態(tài)數(shù)的IMF分量，并且通過(guò)比較可獲得信息熵最小值所在的IMF分量將其作為敏感IMF分量；最后對(duì)選取的敏感IMF分量進(jìn)行包絡(luò)解調(diào)分析，提取軸承故障特征頻率。本發(fā)明能夠有效的提取軸承故障特征頻率，應(yīng)用于軸承仿真信號(hào)和實(shí)際軸承信號(hào)分析，具有較廣泛的實(shí)用性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種信息熵優(yōu)化VMD提取軸承故障特征頻率的方法及其應(yīng)用，屬于機(jī)械故障診斷及信號(hào)處理領(lǐng)域。

背景技術(shù)

軸承是機(jī)械傳動(dòng)系統(tǒng)的核心部件，其故障是造成機(jī)械故障的重要原因之一。因此，對(duì)軸承的狀態(tài)監(jiān)測(cè)與故障診斷一直是機(jī)械設(shè)備故障診斷的熱點(diǎn)。當(dāng)滾動(dòng)軸承發(fā)生故障時(shí)，其振動(dòng)信號(hào)包含了大量的運(yùn)行狀態(tài)信息，表現(xiàn)為非平穩(wěn)性和多分量性的調(diào)制信號(hào)，特別在故障早期，由于調(diào)制源弱，早期故障特征通常很微弱，并且受周?chē)O(shè)備、環(huán)境的噪聲干擾，導(dǎo)致早期故障特征頻率難以提取、識(shí)別。

故障診斷的關(guān)鍵是從原始信號(hào)中提取故障特征信號(hào)（故障特征頻率）。而常用提取故障特征的方法是EMD、EEMD等，但EMD存在模態(tài)混疊、端點(diǎn)效應(yīng)、受采樣頻率影響較大等不足。Dragomiretskiy等提出了一種自適應(yīng)信號(hào)處理新方法—變分模態(tài)分解(VMD)，VMD克服了EMD、EEMD等的不足。但VMD存在影響參數(shù)（模態(tài)數(shù)和懲罰因子）需事先確定的問(wèn)題，需要對(duì)其參數(shù)進(jìn)行優(yōu)化，以確定最優(yōu)的模態(tài)數(shù)和懲罰因子。同樣地，VMD分解后會(huì)產(chǎn)生既定數(shù)目的IMF分量，如何選取敏感的IMF分量進(jìn)行分析，也是需要解決的問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明提供了一種信息熵優(yōu)化VMD提取軸承故障特征頻率的方法及其應(yīng)用，以用于通過(guò)優(yōu)化VMD中模態(tài)數(shù)、懲罰因子及選取敏感的IMF分量實(shí)現(xiàn)對(duì)軸承故障特征頻率的提取，從而用于識(shí)別故障。

本發(fā)明的技術(shù)方案是：一種信息熵優(yōu)化VMD提取軸承故障特征頻率的方法，首先根據(jù)信息熵最小值原則優(yōu)化VMD的模態(tài)數(shù)，采用優(yōu)化后的模態(tài)數(shù)根據(jù)信息熵最小值原則優(yōu)化VMD的懲罰因子；接著采用優(yōu)化后的模態(tài)數(shù)和懲罰因子對(duì)軸承原始振動(dòng)信號(hào)進(jìn)行VMD分解，獲得既定模態(tài)數(shù)的IMF分量，并且通過(guò)比較可獲得信息熵最小值所在的IMF分量將其作為敏感IMF分量；最后對(duì)選取的敏感IMF分量進(jìn)行包絡(luò)解調(diào)分析，提取軸承故障特征頻率。

所述根據(jù)信息熵最小值原則優(yōu)化VMD的模態(tài)數(shù)，具體為：對(duì)軸承原始振動(dòng)信號(hào)進(jìn)行VMD分解，計(jì)算各個(gè)模態(tài)的信息熵，并通過(guò)比較獲得此模態(tài)數(shù)K下的信息熵最小值，然后K=K+S1繼續(xù)以上分析，直到滿足最大迭代次數(shù)K=K_max為止；比較在各個(gè)模態(tài)數(shù) K下所取得的信息熵最小值的大小，將最小的信息熵最小值所對(duì)應(yīng)的模態(tài)數(shù)K判定為最優(yōu)模態(tài)數(shù)K*；其中，初始狀態(tài)下的模態(tài)數(shù)為K_min，S1表示優(yōu)化VMD的模態(tài)數(shù)時(shí)采用的步長(zhǎng)，K_max表示優(yōu)化VMD的模態(tài)數(shù)時(shí)采用的最大迭代次數(shù)。