[發明專利]基于CEEMDAN和CFSFDP的滾動軸承故障診斷方法及設備

在審

• 申請號: 201810738093.6
• 申請日: 2018-07-06
• 公開（公告）號: CN109100143A
• 公開（公告）日: 2018-12-28
• 發明（設計）人: 吳軍;林漫曦;程一偉;郭鵬飛;徐雪兵;魯施雨
• 申請（專利權）人: 華中科技大學
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 尚威;李智

本發明公開了一種基于CEEMDAN和CFSFDP的滾動軸承故障診斷方法及設備，屬于旋轉機械故障診斷領域。該方法通過獲取正常狀態和不同故障模式狀態下軸承的振動信號得到不同狀態的振動信號的樣本點，利用CEEMDAN分解得到軸承診斷的時頻域特征并與時域、頻域特征一起篩選出軸承狀態表征參數，將表征參數分為訓練樣本和測試樣本，然后利用表CFSFDP算法作為軸承故障診斷模型，將訓練樣本輸入軸承故障診斷模型中，對輸出結果進行聚類，得到聚類的數量、各類別的聚類中心點以及聚類中心點對應的狀態類型；并利用測試樣本對訓練后的診斷模型進行檢驗。本發明的方法及設備能夠準確有效的識別不同的軸承故障類型及故障嚴重程度。

技術領域

本發明屬于旋轉機械故障診斷領域，更具體地，涉及一種成基于自適應噪聲的完備經驗模態分解(Complete Ensemble Empirical Mode Decomposition with AdaptiveNoise，CEEMDAN)算法和基于密度峰值快速搜尋的聚類(Clustering by fast search andfind of density peaks，CFSFDP)算法的軸承故障診斷新方法。

背景技術

軸承是旋轉機械最常見的組成部件之一，其工作狀態直接影響整個旋轉機械的可靠性與安全性。一旦軸承出現故障，需要及時準確地診斷出其故障位置與原因。這對于提高旋轉機械的維修效率、降低其維修成本，保證其長時間穩定運行等都具有重大的實際意義。

基于振動信號的軸承故障診斷方法近年來得到了廣泛地應用。由于軸承出現故障時所產生的振動信號為非平穩信號，僅僅采用常規的時域分析和頻域分析方法難以對軸承故障做出準確評估。因此，還應使用時頻域方法來對振動信號進行分析。經驗模態分解(EMD)可以自適應地將信號在時頻域維度進行分解，非常適合處理非線性、非平穩信號，但其嚴重的端點效應和模態混疊現象會影響分析結果的正確性和精確性。CEEMDAN是一種改進型的EMD方法，該方法利用高斯白噪聲具有頻率均勻分布的統計特性有效地解決了EMD中存在的模態混疊問題，且具有較好的自適應性。

在使用聚類算法進行故障模式識別時，許多傳統的聚類算法(如k均值聚類)需要根據經驗知識輸入故障模式的個數。然而在實際的情況下，由于故障的多樣性，預先知道故障模式的個數是不現實的。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種本發明提供了一種CEEMDAN算法和CFSFDP算法相結合的軸承故障診斷方法及設備，其目的在于，運用CEEMDAN算法提取軸承的故障特征，再結合CFSFDP算法進行聚類，從而有效地實現對軸承的故障進行自動診斷。

為實現上述目的，按照本發明的一個方面，提供了一種基于CEEMDAN和CFSFDP的滾動軸承故障診斷方法，包括如下步驟：

步驟1：獲取正常狀態和不同故障模式狀態下軸承的振動信號，并對獲取的振動信號進行預處理，得到包含不同狀態的振動信號的樣本點；

步驟2：提取各樣本點包含的振動信號的時域特征；

對各樣本點包含的振動信號進行傅里葉變換，提取各振動信號的頻譜特征；

對各樣本點包含的振動信號進行CEEMDAN分解，得到各個模態分量；計算每個模態分量的能量值作為軸承診斷的時頻域特征；

步驟3：對步驟2獲得的時域特征、頻域特征和時頻域特征進行篩選，將正常狀態以及各故障模式狀態之間區別明顯的特征作為區分各樣本點的狀態的表征參數；

步驟4：初始化CFSFDP算法作為軸承故障診斷模型，將步驟3篩選出的表征參數分為訓練樣本和測試樣本，將訓練樣本輸入軸承故障診斷模型中，對輸出結果進行聚類，得到聚類的數量、各類別的聚類中心點以及聚類中心點對應的狀態類型；